CN110705359A - 一种车位检测方法 - Google Patents

Abstract

本发明实施例涉及一种车位检测方法，所述方法包括：车辆处理端获取多个监测图像；对每一个监测图像进行畸变处理和单应性变化处理，得到多个角度俯瞰图像；根据多个角度俯瞰图像拼接得到环视俯瞰图像；根据预设车位检测算法从环视俯瞰图像中确定车位标签类别信息和车位像素位置信息；根据车位像素位置信息得到车位标签相对于车辆的实际位置信息，并根据车位标签类别信息确定车位方向信息和车位形状信息；根据车位方向信息、车位形状信息和车位标签相对于车辆的实际位置信息得到车位检测结果数据，用于车辆处理端根据车位检测结果数据控制车辆泊车。

Description

一种车位检测方法

技术领域

本发明涉及自动驾驶领域，尤其涉及一种车位检测方法。

背景技术

在自动驾驶汽车上，自主泊车和代客泊车等方案被越来越多得应用，在车辆自主泊车过程中，需要对车位位置进行准确感知，从而为车辆精准地自动停入车位提供先决条件。然而不同场所的车位形状存在较大差别，车位线清晰程度、颜色、粗细、虚实等也存在较大差别，能够快速、精准感知车位位置并且成本较低、简单可行的方案对于自主泊车感知方案至关重要。

目前，车位检测方案主要包括采用激光雷达设备做精准定位的方案、利用超宽带(Ultra Wideband，UWB)或全球定位系统(Global Positioning System，GPS)进行定位的方案，以及利用环视摄像头的视觉检测方案。

在利用激光雷达设备定位车库位置的方案中，需要在车库位布置柱式工业级单线激光雷达，通过激光雷达进行车辆与车位相对位置的匹配。但这种方案需进行大量场端改造，即在停车场安装柱式工业级单线激光雷达，场端改造较为复杂且成本极高；在利用UWB和GPS定位的方案中，通过定位技术，得到自车和车位的相对位置，从而实现车位的识别和检测。但如果是利用UWB技术，同样需要在场端做改造，成本较高，实施难度较大，且技术难度较高，信号易受干扰。如果利用GPS技术，其定位精度较低，且在地下车库等GPS信号较弱的地方也较难实现；在利用环视摄像头的视觉检测方案中，通常通过图像算法或深度学习算法，检测环视图像中的车位线，从而得到车位和自车的相对位置。但方案对于车位线形状和清晰图要求较高，不同颜色、粗细、虚实的车位线都有可能对检测精度造成影响，如果车位线不清晰或被遮挡，则检测准确度较低。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种车位检测方法。

为了实现上述目的，本发明实施例提供了一种车位检测方法，包括：

车辆处理端获取多个监测图像；

对每一个所述监测图像进行畸变处理和单应性变化处理，得到多个角度俯瞰图像；

根据所述多个角度俯瞰图像拼接得到环视俯瞰图像；

根据预设车位检测算法从所述环视俯瞰图像中确定车位标签类别信息和车位像素位置信息；

根据所述车位像素位置信息得到车位标签相对于车辆的实际位置信息，并根据所述车位标签类别信息确定车位方向信息和车位形状信息；

根据所述车位方向信息、所述车位形状信息和所述车位标签相对于车辆的实际位置信息得到车位检测结果数据，用于所述车辆处理端根据所述车位检测结果数据控制车辆泊车。

优选的，所述车辆处理端获取多个监测图像具体为：

所述车辆处理端通过设置在车辆中的多个鱼眼摄像装置获取多个监测图像。

进一步优选的、所述鱼眼摄像装置的个数为四个。

进一步优选的，所述对每一个所述监测图像进行畸变处理和单应性变化处理，得到多个角度俯瞰图像具体为：

对每一个所述监测图像进行畸变处理，得到畸变后的监测图像；

获取棋盘格点的实际像素位置信息，并根据预设图像处理方法从所述畸变后的监测图像中得到俯瞰图中棋盘格点的像素位置信息；

根据所述棋盘格点的实际像素位置信息和所述俯瞰图中棋盘格点的像素位置信息的对应关系得到单应性矩阵；

根据所述单应性矩阵对每一个所述畸变后的监测图像进行计算处理，得到所述角度俯瞰图像。

进一步优选的，所述根据预设图像处理方法从所述畸变后的监测图像中得到俯瞰图中棋盘格点的像素位置信息具体为：

获取预设转换比例信息；

根据所述预设转换比例信息和所述棋盘格点的实际像素位置信息得到所述俯瞰图中棋盘格点的像素位置信息。

优选的，所述根据所述多个角度俯瞰图像拼接得到环视俯瞰图像具体为：

提取多个角度俯瞰图像中的重叠区域图像和非重叠区域图像；

对所述重叠区域进行特征匹配，并根据匹配结果融合重叠区域图像和非重叠区域图像得到所述环视俯瞰图像。

优选的，在所述根据预设车位检测算法从所述环视俯瞰图像中确定车位标签类别信息和车位像素位置信息之前，所述方法还包括：

根据预设的车位形状信息生成角点标签组；

根据所述角点标签组确定所述方向标签；

根据所述方向标签和所述车位标签类别信息生成所述车位标签类别信息。

优选的，所述根据所述角点标签组确定所述方向标签具体为：

根据所述角点标签组中两个角点标签的预设位置确定所述方向标签。

进一步优选的，在所述根据所述车位标签类别信息确定车位方向信息和车位形状信息之前，所述方法还包括：

确定所述车位标签类别信息是否有效；

如果所述车位标签类别信息有效，根据所述车位标签类别信息确定车位方向信息和车位形状信息。

优选的，所述预设车位检测算法为深度学习算法。

本发明实施例提供的一种车位检测方法，在车位相应位置部署车位标签，利用摄像专职输出的俯瞰图像，通过深度学习等方法检测车位标签在俯瞰图像中的位置，最后通过车位标签在图像中的像素位置推导出车位相对于自车的实际物理相对位置，这种方式实施简单，成本较低，方案前期部署简单便于操作，对于车位线颜色、粗细、虚实没有任何要求，且对于车位不清晰或被遮挡的情况，依然能够较为精准地检测出车位位置。

附图说明

图1为本发明实施例提供的一种车位检测方法的流程图；

图2为本发明实施例提供的俯瞰图像示意图；

图3为本发明实施例提供的车位标签类别信息部署的示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供的一种车位检测方法，实现于自动驾驶车辆中，用于自动驾驶车辆在泊车时对车位进行检测，其方法流程图如图1所示，包括如下步骤：

步骤110，车辆处理端获取多个监测图像；

具体的，车辆处理端可以是设置在自动驾驶车辆(以下简称为车辆)中的，也可以设置在云端服务器侧，也就是说，本实施例中的方法流程可以根据需要实现于车辆本地中或云端服务器侧。

并且，在车辆中通常还包括摄像设备、红外设备和激光雷达设备等用于对车辆周围行驶环境进行实时监控的监控设备，以确保车辆安全行驶。其中，摄像设备设置于车辆车身的四周，对车辆车身的周边的影像进行获取，生成监测图像。

在一些优选的实施例中，摄像设备采用鱼眼摄像装置，眼摄像装置个数设置为四个，分别设置在车辆的前、后、左、右四个方向，对车辆前、后、左、右四个方向的环境进行实时监控，因此车辆处理端可以获取车辆前、后、左、右四个方向的监测图像。

步骤120，对每一个监测图像进行畸变处理和单应性变化处理，得到多个角度俯瞰图像；

具体的，首先，车辆处理端对每一个监测图像进行畸变处理，得到畸变后的监测图像。在畸变处理时，可以利用摄像装置中的内设修正参数对监测图像进行矫正。

然后，车辆处理端获取棋盘格点的实际像素位置信息，并根据预设图像处理方法从畸变后的监测图像中得到俯瞰图中棋盘格点的像素位置信息。

进一步具体的，棋盘格点的实际像素位置信息可以通过预设的棋盘格点设置方法在监控图像中得到。而棋盘格点的实际像素位置信息与俯瞰图中棋盘格点的像素位置信息存在预设比例关系，可以得到用于从畸变后的监测图像中得到俯瞰图中棋盘格点的像素位置信息的预设图像处理方法。也就是说，在获取预设转换比例信息后，根据预设转换比例信息和棋盘格点的实际像素位置信息可以得到所述俯瞰图中棋盘格点的像素位置信息。

最后，根据棋盘格点的实际像素位置信息和俯瞰图中棋盘格点的像素位置信息的对应关系得到单应性矩阵(Homography matrix)，根据单应性矩阵对每一个畸变后的监测图像进行计算处理，得到多个角度俯瞰图像，这一过程可以理解为进行单应性变化处理。每个角度俯瞰图像都对应了一个摄像装置所拍摄方向的俯瞰图，且每个角度俯瞰图像均包括相应的监测方向信息。

步骤130，根据多个角度俯瞰图像拼接得到环视俯瞰图像；

具体的，车辆处理端提取多个角度俯瞰图像中的重叠区域图像和非重叠区域图像，对重叠区域进行特征匹配，并根据匹配结果融合重叠区域图像和非重叠区域图像拼接得到环视俯瞰图像。

进一步具体的，通过上一步骤中已经得到了标定有监测方向信息的多个角度俯瞰图像，由于每个角度俯瞰图像均应包括两部分的与其他对应角度俯瞰图像的重叠区域。例如，监测方向信息为“前”的角度俯瞰图像，其一部分区域应与监测方向信息为“左”的角度俯瞰图像重叠，一部分与应与监测方向信息为“右”的角度俯瞰图像重叠。因此根据图像特征进行特征匹配后可以合并重叠区域图像，再融合非重叠区域图像可以得到一张具有各个角度画面的环视俯瞰图像。

在一些优选的实施例中，在如图2所示的俯瞰图像示意图中，鱼眼摄像装置的个数为四个，对应得到的角度俯瞰图像也为4张，4张角度俯瞰图像共有4个重叠区域A、B、C、D，非重叠区域直接保留对应角度俯瞰图像原始图像，重叠区域图像由两张角度俯瞰图像根据图像特征匹配融合而成，即对两幅图的重叠区域进行特征点提取并匹配，最终融合成一张图环视俯瞰图像。

步骤140，根据预设车位检测算法从环视俯瞰图像中确定车位标签类别信息和车位像素位置信息；

具体的，车位标签类别信息可以理解为代表了车位类型的信息。车位标签类别信息包括：角点标签组和方向标签。车位像素位置信息可以理解为车位的像素坐标。车辆处理端根据预设车位检测算法从环视俯瞰图像中确定车位标签类别信息中的角点标签组和方向标签以及车位像素位置信息。优选的，预设车位检测算法为深度学习算法。

需要说明的是，在本步骤之前，还需有对车位标签类别信息进行设置。在设置车位标签类别信息时，其设置方法为：首先根据预设的车位形状信息生成角点标签组，然后根据角点标签组确定方向标签，最后根据方向标签和车位标签类别信息生成车位标签类别信息。

进一步具体的，车位标签类别信息的部署如图3所示，ABC三种角点标签组各代表了一种车位样式。而方向标签P设置于角点标签组中两个角点标签之间的预设位置处，优选的预设设置为靠近左侧角点标签的位置，指示车位方向。对于图3中所示的生活中常见的三种车位，其长度、宽度、夹角度数都是几乎固定的，所以只要确定车位角点位置和车位方向就可以确定车位形状的类别，进而在后续步骤中确定唯一的车位的准确位置。

步骤150，确定车位标签类别信息是否有效；

具体的，在从环视俯瞰图像中识别到了车位标签类别信息后，还需要确定该识别到的车位标签类别信息是否是有效的。确定车位标签类别信息有效的条件具体包括：在当前环视俯瞰图像同时识别到两个角点标签和一个方向标签；并且，两个角点标签和一个方向标签的中心点必须或几乎在同一条直线上；并且，方向标签必须在两个角点标签之间。

如果车位标签类别信息有效，则执行下述步骤160。如果车位标签类别信息无效，生成报警信息，提示当前车位检测失败。

步骤160，如果所述车位标签类别信息有效，根据车位像素位置信息得到车位标签相对于车辆的实际位置信息，并根据车位标签类别信息确定车位方向信息和车位形状信息；

具体的，在摄像装置的标定过程中，车位标签相对于车辆的实际位置信息和环视俯瞰图中的车位像素位置信息是具有一定的比例关系的，车辆处理端可以根据车位像素位置信息得到车位标签相对于车辆的实际位置信息。

在一个具体的实施例中，车位标签相对于车辆的实际位置信息和环视俯瞰图中的车位像素位置信息按照1:1的比例设置，例如环视俯瞰图中的车位像素位置信息(130,240)，则车位标签相对于车辆的实际位置信息为(130cm,240cm)。

并且，车辆处理端根据从环视俯瞰图像中识别到的车位标签类别信息中的角点标签组确定当前车位的车位形状信息，并根据从环视俯瞰图像中识别到的车位标签类别信息中的方向标签确定当前车位的车位方向信息。

步骤170，根据车位方向信息、车位形状信息和车位标签相对于车辆的实际位置信息得到车位检测结果数据；

具体的，当车辆处理端确定了车位方向、车位形状以及车位相对于自车的实际位置后，就可以根据这些信息控制车辆实现泊车。也就是说，车辆处理端根据车位方向信息、车位形状信息和车位标签相对于车辆的实际位置信息可得到车位检测结果数据，用于车辆处理端根据车位检测结果数据控制车辆泊车。

本发明实施例提供的一种车位检测方法，在车位相应位置部署车位标签，利用摄像专职输出的俯瞰图像，通过深度学习等方法检测车位标签在俯瞰图像中的位置，最后通过车位标签在图像中的像素位置推导出车位相对于自车的实际物理相对位置，这种方式实施简单，成本较低，方案前期部署简单便于操作，对于车位线颜色、粗细、虚实没有任何要求，且对于车位不清晰或被遮挡的情况，依然能够较为精准地检测出车位位置。

专业人员应该还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM动力系统控制方法、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车位检测方法，其特征在于，所述方法包括：

车辆处理端获取多个监测图像；

对每一个所述监测图像进行畸变处理和单应性变化处理，得到多个角度俯瞰图像；

根据所述多个角度俯瞰图像拼接拼接得到环视俯瞰图像；

根据预设车位检测算法从所述环视俯瞰图像中确定车位标签类别信息和车位像素位置信息；

根据所述车位像素位置信息得到车位标签相对于车辆的实际位置信息，并根据所述车位标签类别信息确定车位方向信息和车位形状信息；

根据所述车位方向信息、所述车位形状信息和所述车位标签相对于车辆的实际位置信息得到车位检测结果数据，用于所述车辆处理端根据所述车位检测结果数据控制车辆泊车。

2.根据权利要求1所述的车位检测方法，其特征在于，所述车辆处理端获取多个监测图像具体为：

所述车辆处理端通过设置在车辆中的多个鱼眼摄像装置获取多个监测图像。

3.根据权利要求2所述的车位检测方法，其特征在于，所述多个鱼眼摄像装置的个数为四个。

4.根据权利要求2所述的车位检测方法，其特征在于，所述对每一个所述监测图像进行畸变处理和单应性变化处理，得到多个角度俯瞰图像具体为：

对每一个所述监测图像进行畸变处理，得到畸变后的监测图像；

获取棋盘格点的实际像素位置信息，并根据预设图像处理方法从所述畸变后的监测图像中得到俯瞰图中棋盘格点的像素位置信息；

根据所述棋盘格点的实际像素位置信息和所述俯瞰图中棋盘格点的像素位置信息的对应关系得到单应性矩阵；

根据所述单应性矩阵对每一个所述畸变后的监测图像进行计算处理，得到所述角度俯瞰图像。

5.根据权利要求4所述的车位检测方法，其特征在于，所述根据预设图像处理方法从所述畸变后的监测图像中得到俯瞰图中棋盘格点的像素位置信息具体为：

获取预设转换比例信息；

根据所述预设转换比例信息和所述棋盘格点的实际像素位置信息得到所述俯瞰图中棋盘格点的像素位置信息。

6.根据权利要求1所述的车位检测方法，其特征在于，所述根据所述多个角度俯瞰图像拼接得到环视俯瞰图像具体为：

提取多个角度俯瞰图像中的重叠区域图像和非重叠区域图像；

对所述重叠区域进行特征匹配，并根据匹配结果融合重叠区域图像和非重叠区域图像得到所述环视俯瞰图像。

7.根据权利要求1所述的车位检测方法，其特征在于，在所述根据预设车位检测算法从所述环视俯瞰图像中确定车位标签类别信息和车位像素位置信息之前，所述方法还包括：

根据预设的车位形状信息生成角点标签组；

根据所述角点标签组确定所述方向标签；

根据所述方向标签和所述车位标签类别信息生成所述车位标签类别信息。

8.根据权利要求7所述的车位检测方法，其特征在于，所述根据所述角点标签组确定所述方向标签具体为：

根据所述角点标签组中两个角点标签的预设位置确定所述方向标签。

9.根据权利要求8所述的车位检测方法，其特征在于，在所述根据所述车位标签类别信息确定车位方向信息和车位形状信息之前，所述方法还包括：

确定所述车位标签类别信息是否有效；

如果所述车位标签类别信息有效，根据所述车位标签类别信息确定车位方向信息和车位形状信息。

10.根据权利要求1所述的车位检测方法，其特征在于，所述预设车位检测算法为深度学习算法。

Images