CN112257698A - 环视图车位检测结果的处理方法、装置、设备和存储介质 - Google Patents

环视图车位检测结果的处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112257698A
CN112257698A CN202011535385.3A CN202011535385A CN112257698A CN 112257698 A CN112257698 A CN 112257698A CN 202011535385 A CN202011535385 A CN 202011535385A CN 112257698 A CN112257698 A CN 112257698A
Authority
CN
China
Prior art keywords
parking space
frame
space angular
current frame
result
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.)
Granted
Application number
CN202011535385.3A
Other languages
English (en)
Other versions
CN112257698B (zh
Inventor
刘平
刘国清
敖争光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youjia Innovation Technology Co.,Ltd.
Original Assignee
Shenzhen Minieye Innovation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Minieye Innovation Technology Co Ltd filed Critical Shenzhen Minieye Innovation Technology Co Ltd
Priority to CN202011535385.3A priority Critical patent/CN112257698B/zh
Publication of CN112257698A publication Critical patent/CN112257698A/zh
Application granted granted Critical
Publication of CN112257698B publication Critical patent/CN112257698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及自动驾驶技术领域，提供一种环视图车位检测结果的处理方法、装置、设备和存储介质。本申请在确定本帧检测结果与上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值后，卡尔曼滤波模型根据本帧拍摄时刻车辆状态信息和上帧估计结果得到本帧预测结果，并基于设好的测量噪声协方差矩阵（可用R表征）和预测噪声协方差矩阵（可用Q表征），利用本帧预测结果和本帧检测结果得到本帧估计结果；其中，基于匹配可靠度可确定与匹配可靠度呈负相关的R、以及与匹配可靠度呈正相关的Q，可以使得卡尔曼滤波模型得到本帧估计结果时选择性地以本帧预测结果为主还是以本帧检测结果为主，降低与实际车位的偏差，提高泊车准确性。

Description

环视图车位检测结果的处理方法、装置、设备和存储介质
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种环视图车位检测结果的处理方法、装置、计算机设备和存储介质。
背景技术
随着自动驾驶技术在车辆中的广泛应用，出现了自动泊车技术。自动泊车技术主要是在不需要人工干预的情况下，将车辆停入各种类型的车位中（如平行车位、垂直车位和斜车位）。自动泊车技术包括车位检测，而车位检测的精度直接影响最终泊车的准确性。
基于鱼眼摄像头拍摄范围广的特性，车位检测技术会利用鱼眼摄像头得到的鱼眼图像进行。进一步地，还可以对安装在车辆四周的鱼眼摄像头采集到的鱼眼图像进行拼接，得到车辆四周的环视图，并利用环视图进行车位检测。
但是，在拼接鱼眼图像的过程中可能出现拼接错位，基于存在拼接错位的环视图得到的车位检测结果精度较低，该车位检测结果所表征的车位与实际车位存在偏差，导致泊车准确性降低。
发明内容
基于此，有必要针对上述技术问题，提供一种环视图车位检测结果的处理方法、装置、计算机设备和存储介质。
一种环视图车位检测结果的处理方法，所述方法包括：
获取待检测车位对应于本帧环视图的本帧检测结果；
若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息；
将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，以使所述卡尔曼滤波模型根据所述本帧拍摄时刻车辆状态信息和所述上帧估计结果，得到所述待检测车位对应于所述本帧环视图的本帧预测结果，并根据所述本帧预测结果和所述本帧检测结果输出所述待检测车位对应于所述本帧环视图的本帧估计结果；其中，
所述卡尔曼滤波模型的测量噪声协方差矩阵被设为与所述匹配可靠度呈负相关关系，所述卡尔曼滤波模型的预测噪声协方差矩阵被设为与所述匹配可靠度呈正相关关系。
在其中一个实施例中，所述方法还包括：
获取所述本帧估计结果所包括的车位角点本帧估计位置；所述车位角点本帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在所述本帧环视图中的位置进行估计得到的，不同的车位角点本帧估计位置对应不同的车位角点；
从所述各车位角点中选择至少一个车位角点，作为校正基准车位角点；
利用统计车位长、统计车位宽以及所述待检测车位的几何约束，基于所述校正基准车位角点的车位角点本帧估计位置，校正其他车位角点的车位角点本帧估计位置，得到所述其他车位角点的车位角点本帧校正位置；所述其他车位角点为构成所述待检测车位的车位角点中除所述校正基准车位角点外的车位角点；
基于所述其他车位角点的车位角点本帧校正位置和所述校正基准车位角点的车位角点本帧估计位置，得到所述待检测车位对应于所述本帧环视图的本帧校正结果。
在其中一个实施例中，被选择作为校正基准车位角点的车位角点的数量为两个；
所述从所述各车位角点中选择至少一个车位角点，作为校正基准车位角点，包括：
若在所述本帧环视图中具有观测值的车位角点的数量大于或等于三个，则从具有观测值的至少三个车位角点中，选择距离车辆最近的两个车位角点作为校正基准车位角点；
若在所述本帧环视图中具有观测值的车位角点的数量为两个，则将具有观测值的两个车位角点作为校正基准车位角点；
若在所述本帧环视图中具有观测值的车位角点的数量为一个，则将具有观测值的一个车位角点作为校正基准车位角点，以及将不具有观测值的车位角点中距离车辆最近的一个车位角点作为校正基准车位角点；
若在所述本帧环视图中具有观测值的车位角点的数量为零，则将不具有观测值的车位角点中距离车辆最近的两个车位角点作为校正基准车位角点。
在其中一个实施例中，在所述本帧环视图中具有观测值的车位角点是指，若对应于同一车位角点的车位角点本帧检测位置与车位角点上帧估计位置之间的距离小于或等于预设值，则所述同一车位角点在所述本帧环视图中具有观测值。
在其中一个实施例中，所述将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，包括：
基于所述本帧拍摄时刻车辆状态信息与起始拍摄时刻车辆状态信息，确定本帧拍摄时刻车辆位置相对于起始拍摄时刻车辆位置的相对位置信息；
利用所述相对位置信息，将所述本帧检测结果所对应的坐标系从所述本帧拍摄时刻车辆位置下的坐标系，转换为所述起始拍摄时刻车辆位置下的坐标系；
将坐标系转换后的本帧检测结果、所述本帧拍摄时刻车辆状态信息和所述上帧估计结果输入卡尔曼滤波模型。
在其中一个实施例中，在若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息之前，所述方法还包括：
获取所述本帧检测结果所包括的车位角点本帧检测位置；所述车位角点本帧检测位置为预先构建的神经网络对所述待检测车位的各车位角点在所述本帧环视图中的位置进行检测得到的，不同的车位角点本帧检测位置对应不同的车位角点；
获取所述上帧估计结果所包括的车位角点上帧估计位置；
基于对应于同一车位角点的车位角点本帧检测位置与车位角点上帧估计位置，得到所述同一车位角点在所述本帧环视图和所述上帧环视图间的位置偏差距离；
若所述各车位角点的位置偏差距离间的平均位置偏差距离小于或等于位置偏差距离阈值，则确定所述本帧检测结果与所述上帧估计结果匹配。
在其中一个实施例中，在若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息之前，所述方法还包括：
获取所述本帧检测结果所包括的车位角点本帧检测位置，以及车位角点历史多帧估计位置；所述车位角点历史多帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在历史多帧环视图中的位置进行估计得到的，所述历史多帧环视图的拍摄时刻早于且邻近所述本帧环视图的拍摄时刻；
基于任一车位角点的车位角点本帧检测位置以及所述任一车位角点的车位角点历史多帧估计位置，得到所述任一车位角点在所述本帧环视图和所述历史多帧环视图上位置分布的紧凑程度；
基于对各车位角点的紧凑程度的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值。
在其中一个实施例中，所述基于任一车位角点的车位角点本帧检测位置以及所述任一车位角点的车位角点历史多帧估计位置，得到所述任一车位角点在所述本帧环视图和所述历史多帧环视图上位置分布的紧凑程度，包括：
对对应于所述任一车位角点的车位角点本帧检测位置和车位角点历史多帧估计位置进行平均处理，得到所述任一车位角点的分布中心位置；
确定所述任一车位角点的车位角点本帧检测位置与所述任一车位角点的分布中心位置间的第一距离，以及所述任一车位角点的车位角点历史多帧估计位置与所述任一车位角点的分布中心位置间的第二距离；
基于所述第一距离和所述第二距离，得到所述任一角点的位置分布标准差；所述位置分布标准差负相关地表征所述任一车位角点的紧凑程度。
在其中一个实施例中，
所述基于对各车位角点的紧凑程度的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值，包括：
确定各车位角点的位置分布标准差间的平均标准差；
将所述平均标准差的倒数作为所述匹配可靠度，判断所述平均标准差的倒数是否大于或等于所述匹配可靠度阈值。
在其中一个实施例中，在若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息之前，所述方法还包括：
基于所述本帧检测结果，确定所述待检测车位对应于所述本帧环视图的多条本帧检测车位线；其中，形成车位角点的两两本帧检测车位线具有邻边关系，不形成车位角点的两两本帧检测车位线具有对边关系；
获取具有所述邻边关系的两两本帧检测车位线间的第一夹角，并基于对各第一夹角与对应的实际夹角间的相对大小的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第一夹角对应不同的具有所述邻边关系的两两本帧检测车位线，所述实际夹角是所述待检测车位中具有邻边关系的两两实际车位线间的夹角；
和/或，
获取具有所述对边关系的两两本帧检测车位线间的第二夹角，并基于对各第二夹角的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第二夹角对应不同的具有所述邻边关系的两两本帧检测车位线。
一种环视图车位检测结果的处理装置，所述装置包括：
本帧检测结果获取模块，用于获取待检测车位对应于本帧环视图的本帧检测结果；
车辆状态信息获取模块，用于若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息；
卡尔曼滤波模型估计模块，用于将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，以使所述卡尔曼滤波模型根据所述本帧拍摄时刻车辆状态信息和所述上帧估计结果，得到所述待检测车位对应于所述本帧环视图的本帧预测结果，并根据所述本帧预测结果和所述本帧检测结果输出所述待检测车位对应于所述本帧环视图的本帧估计结果；其中，
所述卡尔曼滤波模型的测量噪声协方差矩阵被设为与所述匹配可靠度呈负相关关系，所述卡尔曼滤波模型的预测噪声协方差矩阵被设为与所述匹配可靠度呈正相关关系。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
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上述的方法。
上述环视图车位检测结果的处理方法、装置、计算机设备和存储介质，计算机设备得到本帧检测结果后，将本帧检测结果与本帧拍摄时刻车辆状态信息、上帧估计结果进行结合，并利用卡尔曼滤波模型进行车位估计，得到待检测车位对应于本帧环视图的本帧估计结果，使得本帧估计结果相较于本帧检测结果而言，更接近实际车位，降低与实际车位的偏差，提高泊车准确性。
并且，利用卡尔曼滤波模型进行的车位估计中，先根据本帧拍摄时刻车辆状态信息和上帧估计结果得到本帧预测结果，在根据本帧预测结果和本帧检测结果得到本帧估计结果；且上述车位估计是在本帧检测结果与上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值下进行的，基于该匹配可靠度确定与匹配可靠度呈负相关的测量噪声协方差矩阵（可用R表征）、以及与匹配可靠度呈正相关的预测噪声协方差矩阵（可用Q表征），可以使得卡尔曼滤波模型在进行检测时选择性地以本帧检测结果为主还是以本帧预测结果为主，进一步降低与实际车位的偏差，提高泊车准确性；例如，如果匹配可靠度高，那么R越小且Q越大，卡尔曼滤波模型在进行车位估计时，则越相信本帧检测结果，并以本帧检测结果为主、以本帧预测结果为辅得到本帧估计结果；又例如，如果匹配可靠度低，那么R越大且Q越小，卡尔曼滤波模型在进行车位估计时，则越相信本帧预测结果，并以本帧预测结果为主、以本帧检测结果为辅得到本帧估计结果。
附图说明
图1为一个实施例中环视图车位检测结果的处理方法的流程示意图；
图2为一个实施例中环视图车位检测结果的处理方法的流程示意图；
图3为一个实施例中环视图车位检测结果的处理方法的流程示意图；
图4为一个实施例中环视图车位检测结果的处理方法的流程示意图；
图5为一个实施例中车位匹配示意图；
图6为一个实施例中车位形状示意图；
图7为一个实施例中环视图车位检测结果的处理方法的流程示意图；
图8为环视图拼接错误的示意图；
图9为传统方法基于拼接错误的环视图进行车位检测的结果；
图10为一个实施例中环视图车位检测结果的处理装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
在一个实施例中，如图1所示，提供了一种环视图车位检测结果的处理方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：
步骤S101，获取待检测车位对应于本帧环视图的本帧检测结果；
步骤S102，若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息。
步骤S103，将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，以使所述卡尔曼滤波模型根据所述本帧拍摄时刻车辆状态信息和所述上帧估计结果，得到所述待检测车位对应于所述本帧环视图的本帧预测结果，并根据所述本帧预测结果和所述本帧检测结果输出所述待检测车位对应于所述本帧环视图的本帧估计结果。其中，所述卡尔曼滤波模型的测量噪声协方差矩阵被设为与所述匹配可靠度呈负相关关系，所述卡尔曼滤波模型的预测噪声协方差矩阵被设为与所述匹配可靠度呈正相关关系。
卡尔曼滤波模型进行车位估计时，是一个连续的过程，可以分为车位预测和车位更新两个部分。卡尔曼滤波模型先进行本帧车位预测得到本帧环视图的预测结果（即本帧预测结果），然后进行本帧车位更新得到本帧估计结果。具体而言，本帧车位预测时，卡尔曼滤波模型会根据本帧拍摄时刻的车辆状态信息（比如车辆行驶距离，转弯角度等）、以及上帧环视图的上帧估计结果得到本帧环视图的预测结果；本帧车位更新时，卡尔曼滤波模型利用本帧检测结果更新本帧预测结果得到本帧估计结果。
其中，在本帧车位更新时，根据本帧检测结果与上帧估计结果间的匹配可靠度设置的R和Q进行。如果R越小、Q越大，卡尔曼滤波模型在本帧车位更新时，则越相信本帧检测结果，因此，得到的本帧估计结果以本帧检测结果为主，以本帧预测结果为辅。如果R越大、Q越小，卡尔曼滤波模型在本帧车位更新时，则越相信本帧预测结果，因此，得到的本帧估计结果以本帧预测结果为主，以本帧检测结果为辅。
当计算机设备获取到待检测车位对应于下帧环视图的下帧检测结果时，卡尔曼滤波模型进行下帧车位估计时，可以先根据下帧拍摄时刻的车辆状态信息、以及上述本帧估计结果进行下帧车位预测，得到下帧环视图的预测结果（即下帧预测结果）；接着，在进行下帧车位更新时，根据下帧检测结果与本帧估计结果间的匹配可靠度设置卡尔曼滤波模型的R和Q，卡尔曼滤波模型基于设好的R和Q，利用下帧检测结果更新下帧预测结果，得到下帧估计结果。
且上述步骤中，环视图可以是车辆四周鱼眼图进行拼接得到的；更进一步地，在拼接之前可以先对鱼眼图进行畸变校正，并转为鸟瞰图，然后拼接鸟瞰图视角的去畸变鱼眼图像，得到环视图。鱼眼摄像头被安装在车辆四周后，在同一时刻下采集对应的鱼眼图，计算机设备将该时刻采集到的鱼眼图进行去畸变校正和鸟瞰视角转换，并进行拼接得到对应的环视图；由于环视图是拼接形成的，不是直接拍摄得到的，因此，本帧环视图的拍摄时刻可以理解为本帧环视图对应的鱼眼图的拍摄时刻。上帧环视图的拍摄时刻早于且与本帧环视图的拍摄时刻相邻。其中，上帧环视图的估计结果（即上帧估计结果）也是按照上述方法得到的，这里不赘述。
在进行车位预测时，可以根据卡尔曼滤波模型的实际设计情况选择车速、轮速、方向盘转角、行驶距离等车辆状态信息。
上述环视图车位检测结果的处理方法中，计算机设备得到本帧检测结果后，将本帧检测结果与本帧拍摄时刻车辆状态信息、上帧估计结果进行结合，并利用卡尔曼滤波模型进行车位估计，得到待检测车位对应于本帧环视图的本帧估计结果，使得本帧估计结果相较于本帧检测结果而言，更接近实际车位，降低与实际车位的偏差，提高泊车准确性。并且，利用卡尔曼滤波模型进行的车位估计中，先根据本帧拍摄时刻车辆状态信息和上帧估计结果得到本帧预测结果，在根据本帧预测结果和本帧检测结果得到本帧估计结果；且上述车位估计是在本帧检测结果与上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值下进行的，基于该匹配可靠度确定与匹配可靠度呈负相关的R、以及与匹配可靠度呈正相关的Q，可以使得卡尔曼滤波模型在进行检测时选择性地以本帧检测结果为主还是以本帧预测结果为主，进一步降低与实际车位的偏差，提高泊车准确性；例如，如果匹配可靠度高，那么R越小且Q越大，卡尔曼滤波模型在进行车位估计时，则越相信本帧检测结果，并以本帧检测结果为主、以本帧预测结果为辅得到本帧估计结果；又例如，如果匹配可靠度低，那么R越大且Q越小，卡尔曼滤波模型在进行车位估计时，则越相信本帧预测结果，并以本帧预测结果为主、以本帧检测结果为辅得到本帧估计结果。
由于环视图的拼接特性，上述本帧环视图的估计结果中，各车位角点在本帧环视图的估计位置之间的距离不一定符合实际车位。因此，在一些实施例中，计算机设备可以利用统计车位长、统计车位宽校正各车位角点在本帧环视图中的估计位置。如图2所示，计算机设备在校正时，可以先执行步骤S201选择校正基准车位角点；然后执行步骤S202，判断待检测车位是属于何种类型（垂直车位、平行车位或斜车位）以确定车位几何约束；最后，执行步骤S203，利用统计车位长、统计车位宽和车位几何约束，基于校正基准车位角点的本帧估计位置，校正其他车位角点的本帧估计位置，得到其他车位角点的本帧校正位置。
具体而言，计算机设备执行的上述步骤具体可以包括：获取所述本帧估计结果所包括的车位角点本帧估计位置；所述车位角点本帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在所述本帧环视图中的位置进行估计得到的，不同的车位角点本帧估计位置对应不同的车位角点；从所述各车位角点中选择至少一个车位角点，作为校正基准车位角点；利用统计车位长、统计车位宽以及所述待检测车位的几何约束，基于所述校正基准车位角点的车位角点本帧估计位置，校正其他车位角点的车位角点本帧估计位置，得到所述其他车位角点的车位角点本帧校正位置；所述其他车位角点为构成所述待检测车位的车位角点中除所述校正基准车位角点外的车位角点；基于所述其他车位角点的车位角点本帧校正位置和所述校正基准车位角点的车位角点本帧估计位置，得到所述待检测车位对应于所述本帧环视图的本帧校正结果。
其中，统计车位长和统计车位宽可以是对车辆启动后且在本帧环视图之前拍摄到的全部帧环视图中的车位长、宽进行平均得到的，也可以是符合步骤S401步骤的车位匹配条件的全部帧环视图的车位长、宽进行平均得到的。例如，计算机设备得到t0、t1、……、t10时刻下的各帧环视图，如果对t10帧环视图的检测结果进行处理，那么，计算机设备可以对t0至t9时刻各帧环视图的车位长、车位宽进行平均计算，得到统计车位长和统计车位宽。又例如，在上述t0、t1、……、t10时刻下的各帧环视图中，只有t9帧环视图不符合S401步骤的车位匹配条件，那么计算机设备可以统计t0至t8时刻的各帧环视图的车位长、车位宽的平均值，得到统计车位长和统计车位宽。上述平均计算只是其中一种统计方式，计算机设备还可以对不同时刻的环视图赋予不同权重，然后进行车位长、车位宽的统计。
以待检测车位有4个车位角点A、B、C和D，且该车位为平行车位为例介绍。计算机设备选择车位角点时，可以根据车位角点与车辆的距离确定，也可以根据车位角点在本帧环视图中是否具有观测值确定。例如，在上述车位角点A、B、C和D中，车位角点A距离车辆最近，那么可以选择车位角点A作为校正基准车位角点；又例如，如果上述车位角点A、B、C和D中，车位角点B在本帧环视图中具有观测值，那么可以选择车位角点B作为校正基准车位角点。
其中，车位角点A在本帧环视图中具有观测值，可以结合图5理解：若本帧环视图对应为t1时刻，上帧环视图对应为t0时刻，t1帧环视图的检测结果（该检测结果可以是神经网络输出的）包括车位角点A在t1帧环视图中的检测位置，若t1时刻检测位置与车位角点A在t0时刻环视图中的估计位置之间的距离小于预设值，那么可以认为车位角点A在t1帧环视图中具有观测值。
计算机设备在得到各车位角点的本帧估计位置后，从上述4个车位角点中选择至少一个车位角点，如车位角点A、车位角点A和车位角点C。若计算机设备仅选择车位角点A，那么计算机设备基于该车位角点A在本帧环视图中的估计位置，以及统计车位长、统计车位宽和平行车位的几何约束，对车位角点B、C和D在本帧环视图中的估计位置进行校正，得到车位角点B、C和D在本帧环视图中的校正位置（即车位角点本帧校正位置），进而将车位角点B、C和D在本帧环视图中的校正位置以及位角点A在本帧环视图中的估计位置作为本帧环视图的校正结果，进一步根据该校正结果进行泊车。
上述实施例中，计算机设备进一步对卡尔曼滤波模型输出的本帧估计结果进行车位角点校正，避免拼接错误导致估计结果与实际车位偏差过大，进一步提高泊车的准确性。
可以理解的是，如果计算机设备对本帧环视图的估计结果进行车位角点校正并得到本帧校正结果，那么上述步骤S103中，卡尔曼滤波模型在进行下帧车位估计时，可以是利用本帧校正结果与下帧检测结果进行匹配，并利用本帧校正结果与下帧拍摄时刻的车辆状态信息进行下帧车位预测得到下帧预测结果，进一步降低与实际车位的偏差，提高泊车准确性。
进一步地，如果计算机设备选择两个车位角点作为校正基准车位角点，为进一步降低与实际车位的偏差，提高泊车准确性，计算机设备可以按照如下方式选择校正基准车位角点：
①若在本帧环视图中具有观测值的车位角点的数量大于或等于三个，则从具有观测值的至少三个车位角点中，选择距离车辆最近的两个车位角点作为校正基准车位角点；
②若在本帧环视图中具有观测值的车位角点的数量为两个，则将具有观测值的两个车位角点作为校正基准车位角点；
③若在本帧环视图中具有观测值的车位角点的数量为一个，则将具有观测值的一个车位角点作为校正基准车位角点，以及将不具有观测值的车位角点中距离车辆最近的一个车位角点作为校正基准车位角点；
④若在本帧环视图中具有观测值的车位角点的数量为零，则将不具有观测值的车位角点中距离车辆最近的两个车位角点作为校正基准车位角点。
在一些场景中，各拍摄时刻（如t0至t10时刻）对应的环视图的检测结果都有对应的坐标系，该坐标系可以是以拍摄时刻时车辆位置为原点，车前进的右方为x方向，车辆前进方向为y方向。因此，在利用卡尔曼滤波模型进行车位估计时，需要将不同帧检测结果统一至同一个坐标系中，如统一至起始拍摄时刻对应的坐标系；若车辆一启动就开始拍摄，那么该起始拍摄时刻可以是车辆启动时刻，若车辆启动一段时间后才开始拍摄，那么该起始拍摄时刻对应为车辆启动后的一段时间。
结合图3介绍，计算机设备在执行步骤S103时，可以进一步执行的步骤，以对本帧检测结果的坐标系进行转换：基于所述本帧拍摄时刻车辆状态信息与起始拍摄时刻车辆状态信息，确定本帧拍摄时刻车辆位置相对于起始拍摄时刻车辆位置的相对位置信息（步骤S301）；利用所述相对位置信息，将所述本帧检测结果所对应的坐标系从所述本帧拍摄时刻车辆位置下的坐标系，转换为所述起始拍摄时刻车辆位置下的坐标系（步骤S302）；将坐标系转换后的本帧检测结果、所述本帧拍摄时刻车辆状态信息和所述上帧估计结果输入卡尔曼滤波模型进行车位估计（步骤S303）。
以本帧环视图为t3帧环视图，起始时刻为t0为例进行介绍：计算机设备获取车辆在t0时刻的速度、方向盘转角等车辆状态信息（相当于起始拍摄时刻车辆状态信息），并获取车辆在t3时刻的速度、方向盘转角等车辆状态信息；计算机设备利用上述t3时刻和t0时刻的车辆状态信息，确定t3时刻车辆位置相对于t0时刻车辆位置的相对位置信息（x1, y1,θ1），其中，x1表示t3时刻的车辆位置与t0时刻的车辆位置在x方向上的距离，y1表示t3时刻的车辆位置与t0时刻的车辆位置在y方向上的距离，θ1表示t3时刻的车辆位置相对于t0时刻的车辆位置的偏航角。
接着，计算机设备利用上述相对位置信息（x1, y1, θ1），将t3帧检测结果对应的坐标系从t3时刻下的坐标系转为t0时刻下的坐标系，并将坐标系转换后的t3帧检测结果、t3时刻车辆状态信息和t2帧环视图的估计结果输入至卡尔曼滤波模型，进行车位估计。更进一步地，计算机设备还可以校正t3帧环视图的估计结果（步骤S304），具体校正方式可以参照其他实施例的介绍，这里不赘述。
可以理解的是，如果t3帧检测结果所包括的各车位角点在t3帧环视图中的位置，是通过坐标表征，那么上述坐标系转换相当于是将车辆角点检测位置的坐标从t3时刻的坐标系转换至t0时刻的坐标系中。
在一个实施例中，计算机设备在执行步骤S102之前，还可以执行如下步骤进行车位匹配。具体包括：获取所述本帧检测结果所包括的车位角点本帧检测位置；所述车位角点本帧检测位置为预先构建的神经网络对所述待检测车位的各车位角点在所述本帧环视图中的位置进行检测得到的，不同的车位角点本帧检测位置对应不同的车位角点；获取所述上帧估计结果所包括的车位角点上帧估计位置；基于对应于同一车位角点的车位角点本帧检测位置与车位角点上帧估计位置，得到所述同一车位角点在所述本帧环视图和所述上帧环视图间的位置偏差距离；若所述各车位角点的位置偏差距离间的平均位置偏差距离小于或等于位置偏差距离阈值，则确定所述本帧检测结果与所述上帧估计结果匹配。
如图5所示，以t0帧环视图和t1帧环视图为例介绍车位匹配过程：
计算机设备可以利用神经网络得到t0检测结果和t1帧检测结果。其中，t1帧检测结果包括车位角点A、B、C和D在t1帧环视图中的位置（可以称为检测位置，分别记为A1、B1、C1、D1）。计算机设备获取卡尔曼滤波模型确定的t0帧估计结果，该t0帧估计结果包括上述四个车位角点在t0帧环视图中的位置（可以称为估计位置，分别记为A0、B0、C0、D0）。计算各车位角点的位置偏差距离，如车位角点A在t1帧环视图的位置A1与在t0帧环视图中的位置A0之间的距离
Figure 502952DEST_PATH_IMAGE001
，并作为车位角点A的位置偏差距离；计算机设备在得到各车位角点的位置偏差距离后，计算平均位置偏差距离d：
Figure 122152DEST_PATH_IMAGE002
，如果d小于位置偏差距离阈值，则确定t1帧检测结果与t0帧估计结果匹配。
在上述实施例中，利用各车位角点在相邻两帧环视图之间的位置偏差距离，判断车位匹配，若车位不匹配，则不进行后续卡尔曼滤波模型的车位估计操作，在保证泊车准确性的同时节约处理资源。
在一个实施例中，计算机设备确定车位匹配后，可以进一步确定车位匹配可靠度，以设定卡尔曼滤波模型的R和Q，进一步降低与实际车位的偏差，提高泊车准确性。
其中，计算机设备可以利用车位角点在多帧环视图的位置分布的紧凑程度确定车位匹配可靠度，可以执行如下步骤：获取所述本帧检测结果所包括的车位角点本帧检测位置，以及车位角点历史多帧估计位置；所述车位角点历史多帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在历史多帧环视图中的位置进行估计得到的，所述历史多帧环视图的拍摄时刻早于且邻近所述本帧环视图的拍摄时刻；基于任一车位角点的车位角点本帧检测位置以及所述任一车位角点的车位角点历史多帧估计位置，得到所述任一车位角点在所述本帧环视图和所述历史多帧环视图上位置分布的紧凑程度；基于对各车位角点的紧凑程度的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值。
也就是说，各车位角点均有对应的紧凑程度，紧凑程度可以根据车位角点在多帧环视图上的位置确定；例如，车位角点A对应于t10帧环视图的紧凑程度，计算机设备可以获取车位角点A在t0至t9帧环视图上的估计位置以及在t10帧环视图上的检测位置，并根据这些位置确定车位角点A位置分布的紧凑程度。计算机设备在得到四个车位角点的紧凑程度后，进行统计，根据统计结果判断匹配可靠度是否大于或等于匹配可靠度阈值。
进一步地，车位角点的紧凑程度可以利用标准差负相关地表征，即，标准差越大，紧凑程度越小。
计算机设备在计算各车位角点的位置分布标准差时，可以执行如下步骤：对对应于所述任一车位角点的车位角点本帧检测位置和车位角点历史多帧估计位置进行平均处理，得到所述任一车位角点的分布中心位置；确定所述任一车位角点的车位角点本帧检测位置与所述任一车位角点的分布中心位置间的第一距离，以及所述任一车位角点的车位角点历史多帧估计位置与所述任一车位角点的分布中心位置间的第二距离；基于所述第一距离和所述第二距离，得到所述任一角点的位置分布标准差；所述位置分布标准差负相关地表征所述任一车位角点的紧凑程度。计算机设备在基于对各车位角点的紧凑程度的统计，判断匹配可靠度是否大于或等于匹配可靠度阈值时，可以执行如下步骤：确定各车位角点的位置分布标准差间的平均标准差；将平均标准差的倒数作为匹配可靠度，判断平均标准差的倒数是否大于或等于匹配可靠度阈值。
t0 t1 t2 …… t10
A （x<sub>A0</sub>, y<sub>A0</sub>） （x<sub>A1</sub>, y<sub>A1</sub>） （x<sub>A2</sub>, y<sub>A2</sub>） …… （x<sub>A10</sub>, y<sub>A10</sub>）
B （x<sub>B0</sub>, y<sub>B0</sub>） （x<sub>B1</sub>, y<sub>B1</sub>） （x<sub>B2</sub>, y<sub>B2</sub>） …… （x<sub>B10</sub>, y<sub>B10</sub>）
C （x<sub>C0</sub>, y<sub>C0</sub>） （x<sub>C1</sub>, y<sub>C1</sub>） （x<sub>C2</sub>, y<sub>C2</sub>） …… （x<sub>C10</sub>, y<sub>C10</sub>）
D （x<sub>D0</sub>, y<sub>D0</sub>） （x<sub>D1</sub>, y<sub>D1</sub>） （x<sub>D2</sub>, y<sub>D2</sub>） …… （x<sub>D10</sub>, y<sub>D10</sub>）
表1
示例性地，表1示出车位角点A、B、C和D在t0帧环视图至t10帧环视图的位置，其中，t0至t9帧为车位角点估计位置，t10帧为车位角点检测位置。以计算车位角点A对应t10帧环视图的位置分布标准差为例介绍：计算机设备计算车位角点A在11帧环视图中的坐标平均值（xAp，yAp），并将（xAp，yAp）作为分布中心位置的坐标。
其中，（xAp，yAp）的计算方式如下：
Figure 998972DEST_PATH_IMAGE003
Figure 807660DEST_PATH_IMAGE004
接着计算机设备分别计算（xA0, yA0）、（xA1, yA1）、（xA2, yA2）、……、（xA10, yA10）与（xAp，yAp）的距离d0、d1、d2、……、d10，并根据上述距离得到车位角点A的位置分布标准差dA：
Figure 86325DEST_PATH_IMAGE005
，该位置分布标准差可以表征车位角点A对应t10帧环视图的位置分布的紧凑程度。
计算机设备按照上述方式可以求得车位角点B、C和D对应t10帧环视图的位置分布标准差dB、dC和dD。进而，计算机设备计算各车位角点的位置分布标准差的平均值（相当于平均标准差），将该平均值的倒数作为匹配可靠度，若确定该平均值的倒数大于或等于匹配可靠度阈值，则利用卡尔曼滤波模型进行车位估计；若确定该平均值的倒数小于匹配可靠度阈值，则不利用卡尔曼滤波模型进行车位估计。
进一步，计算机设备还可以利用本帧检测结果中的车位形状确定车位匹配可靠度。具体可以执行如下步骤：基于所述本帧检测结果，确定所述待检测车位对应于所述本帧环视图的多条本帧检测车位线；其中，形成车位角点的两两本帧检测车位线具有邻边关系，不形成车位角点的两两本帧检测车位线具有对边关系；获取具有所述邻边关系的两两本帧检测车位线间的第一夹角，并基于对各第一夹角与对应的实际夹角间的相对大小的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第一夹角对应不同的具有所述邻边关系的两两本帧检测车位线，所述实际夹角是所述待检测车位中具有邻边关系的两两实际车位线间的夹角。
示例性地，神经网络输出的t1帧检测结果中包括各车位角点在t1帧环视图的检测位置以及连接关系，进而可以组成图6所示的车位。其中，A1B1、B1C1、C1D1和A1D1为对应的车位线（可以称为t1帧检测车位线）；可以看出，车位线A1B1和A1D1形成车位角点A，因此，车位线A1B1和A1D1具有邻边关系，并且车位线A1B1和A1D1具有相应的夹角a（相当于第一夹角）。另外，还可以看出，车位线A1B1和C1D1不形成任一个车位角点，因此，车位线A1B1和C1D1具有对边关系。
以计算机设备计算夹角a与对应的实际夹角的相对大小为例介绍：夹角a对应的车位线为A1B1和A1D1，因此，与夹角a对应的实际夹角为实际车位线AB和AD之间的夹角a0；此时，夹角a与夹角a0的相对大小a’为：
Figure 876427DEST_PATH_IMAGE006
计算机设备在得到夹角b与夹角b0的相对大小b’、夹角c与夹角c0的相对大小c’、夹角d与夹角d0对应的相对大小d’后，计算相对大小a’、b’、c’和d’的平均值，若该平均值小于或等于预设值，则确定匹配可靠度大于或等于匹配可靠度阈值。
另外，计算机设备在利用车位形状确定车位匹配可靠度时，还可以执行如下步骤：获取具有所述对边关系的两两本帧检测车位线间的第二夹角，并基于对各第二夹角的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第二夹角对应不同的具有所述邻边关系的两两本帧检测车位线。
也就是说，计算机设备确定车位线A1B1和C1D1之间的夹角（相当于第二夹角）和车位线A1D1和B1C1之间的夹角（相当于第二夹角）的平均值，若该平均值小于或等于预设值，则确定匹配可靠度大于或等于匹配可靠度阈值。
在一个实施例中，计算机设备在确定t10帧检测结果与t9帧估计结果的车位匹配可靠度时，可以结合上述位置分布标准差和形状误差进行，提升匹配可靠度的准确性。其中，位置分布标准差可以根据t0至t10帧环视图确定，形状误差根据t10帧环视图确定，具体结合图4介绍：
计算机设备在确定t10帧检测结果与t9帧估计结果匹配后，将t0至t9帧环视图的估计结果和t10帧检测结果压入计算队列中（步骤S401至步骤S402）。接着，计算机设备计算车位角点A在11帧环视图中的位置分布紧凑程度，得到对应的位置分布标准差（步骤S403）；并且计算车位角点B、C和D的位置分布标准差，计算各位置分布标准差的平均值（记为u）。
然后，计算机设备计算t10帧检测结果对应的形状误差（步骤S404），也就是说，计算各夹角与实际夹角的相对大小的平均值（记为v）、以及计算具有对边关系的两两t10帧检测车位线之间的夹角的平均值（记为w）。
接着，在步骤S405中，计算机设备计算u、v和w的和值，并将和值的倒数作为匹配可靠度（相当于置信度值），若该和值的倒数小于匹配可靠度阈值，则利用卡尔曼滤波模型进行车位估计。
其中，上述t0至t10帧环视图可以都是符合车位匹配条件且利用卡尔曼滤波模型进行车位估计和车位校正的。
为了更好地理解上述方法，以下结合图7介绍一个本申请环视图车位检测结果的处理方法的应用实例。
图8示出环视图拼接错误的示意图，图9示出传统方法基于拼接错误的环视图进行车位检测的结果；可以看出，在环视图拼接错误的情况下，如果利用传统方式进行检测，误差偏大，泊车不准确。
本应用实例中的车位检测方法中设计通过车位锁定机制和车位校正机制，可以克服因环视图拼接错误、模糊、畸变、工况复杂以及噪声车位导致车位角点误差较大的问题，降低与实际车位的偏差，提高泊车准确性。
本应用实例的方法中，通过实时的跟踪车位，并对本帧环视图的检测结果和上帧环视图的估计结果进行车位匹配，若车位匹配，则计算该车位匹配的可信度；若匹配可信度小于匹配可信度阈值时，则说明该车位匹配不可信，并丢弃本帧环视图，不进行车位估计和车位校正；若匹配可信度大于或等于匹配可信度阈值，则说明该车位匹配可信，则用本帧环视图的检测结果更新本帧预测结果（本帧预测结果是根据本帧拍摄时刻和上帧估计结果得到的），得到本帧环视图的估计结果；并且用实时统计的车位长宽校正本帧环视图的估计结果，进而得到各车位角点在本帧环视图中的校正位置，提高泊车准确性。
本应用实例主要包括以下步骤：
步骤S701，环视图车位提取：
首先将拼接好的环视图输入到训练好的神经网络中，得到车位线和车位角点的分割mask（掩膜），mask上同一个车位的角点通过车位线相连，利用该关系，提取出四个车位角点，并组成一个车位。
步骤S702，车位匹配
若各车位角点在本帧环视图与上帧环视图中的位置偏差距离的平均值小于给定阈值时，则匹配成功，否则匹配失败。
步骤S703，车位置信度计算
将本帧检测结果和与本帧环视图最近的历史9帧的环视图的估计结果压入计算队列中，然后计算置信度。置信度的计算可以包括：第一步，分别统计各车位角点在上述10帧环视图的位置分布，得到四个车位角点的位置分布标准差，并求各位置分布标准差的平均值；第二步，计算待检测车位在本帧环视图中的形状误差；因为不管是平行车位、垂直车位、还是斜车位，其对边均是平行的，因此可以分别计算对边车位线的夹角，并求夹角的平均值；第三步，将位置分布标准差和形状误差的平均值的倒数作为置信度值。
步骤S704，车位跟踪
车位跟踪可以使用卡尔曼滤波算法；首先计算机设备从CAN（Controller AreaNetwork，控制器局域网络）上获取车辆速度、方向盘转角、轮速等信息；利用这些信息计算车辆当前的状态，即（x, y, θ），其中，x为车辆几何中心相对起始位置的横向距离，y为车辆几何中心相对起始位置的纵向距离，θ为车辆相对起始位置的偏航角；利用车辆状态，将当前帧环视图的初始检测结果的角点坐标的坐标系转换成以车辆起始点为原点，向右为x正，向前为y正的坐标系下的坐标；将转换后的角点坐标值作为观测值。如果步骤S703中计算出的置信度值越大则设置卡尔曼滤波算法的R越小、Q越大，反之，则设置R越大、Q越小；如果当前帧环视图的置信度值小于给定阈值，则锁定该车位，丢弃本帧环视图，不利用卡尔曼滤波算法进行车位估计，即设置Q为0，并利用本帧拍摄时刻车辆状态信息和上帧估计结果得到本帧预测结果，利用本帧检测结果更新本帧预测结果，得到本帧估计结果。
步骤S705，车位长宽估计
将历史每一帧环视图检测得到的车位长和宽进行平均计算，将得到的平均车位长和车位宽作为针对本帧环视图车位长宽的估计值。
步骤S706，车位校正
首先从各车位角点中选择2个校正基准车位角点，并利用步骤S705中估计的车位长宽值以及车位几何约束，校正剩下的车位角点在本帧环视图中的估计位置。校正基准车位角点的选择方法如下：
①如果不少于3个车位角点在本帧环视图都有观测值，则选择距离车辆最近的两个点为校正基准车位角点；
②如果有2个车位角点在本帧环视图有观测值，则选择这2个车位角点为校正基准车位角点；
③如果只要一个车位角点在本帧环视图有观测值，则选择该车位角点以及离车最近的车位角点作为校正基准车位角点；
④如果车位角点均在本帧环视图没有观测值，则选择离车最近的两个车位角点为校正基准车位角点；
步骤S707，车位校正结果输出
将提取到的车位校正结果输出给后续的规划和控制模块，完成自动泊车。
本应用实例提供的环视图车位检测结果的处理方式中，当环视图产生拼接错位、模糊或者畸变时，可以输出较高精度的车位角点。当车位附近出现噪声线或者噪声点，而噪声线和噪声点又刚好能组成车位，并且和历史车位匹配时，本应用实例可以有效识别该噪声车位，并过滤噪声车位。
应该理解的是，虽然图1至图9的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，图1至图9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种环视图车位检测结果的处理装置，包括：
本帧检测结果获取模块1001，用于获取待检测车位对应于本帧环视图的本帧检测结果；
车辆状态信息获取模块1002，用于若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息；
卡尔曼滤波模型估计模块1003，用于将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，以使所述卡尔曼滤波模型根据所述本帧拍摄时刻车辆状态信息和所述上帧估计结果，得到所述待检测车位对应于所述本帧环视图的本帧预测结果，并根据所述本帧预测结果和所述本帧检测结果输出所述待检测车位对应于所述本帧环视图的本帧估计结果；其中，所述卡尔曼滤波模型的测量噪声协方差矩阵被设为与所述匹配可靠度呈负相关关系，所述卡尔曼滤波模型的预测噪声协方差矩阵被设为与所述匹配可靠度呈正相关关系。
在其中一个实施例中，所述装置还包括车位校正模块，用于获取所述本帧估计结果所包括的车位角点本帧估计位置；所述车位角点本帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在所述本帧环视图中的位置进行估计得到的，不同的车位角点本帧估计位置对应不同的车位角点；从所述各车位角点中选择至少一个车位角点，作为校正基准车位角点；利用统计车位长、统计车位宽以及所述待检测车位的几何约束，基于所述校正基准车位角点的车位角点本帧估计位置，校正其他车位角点的车位角点本帧估计位置，得到所述其他车位角点的车位角点本帧校正位置；所述其他车位角点为构成所述待检测车位的车位角点中除所述校正基准车位角点外的车位角点；基于所述其他车位角点的车位角点本帧校正位置和所述校正基准车位角点的车位角点本帧估计位置，得到所述待检测车位对应于所述本帧环视图的本帧校正结果。
在其中一个实施例中，被选择作为校正基准车位角点的车位角点的数量为两个。
所述车位校正模块，还用于若在所述本帧环视图中具有观测值的车位角点的数量大于或等于三个，则从具有观测值的至少三个车位角点中，选择距离车辆最近的两个车位角点作为校正基准车位角点；若在所述本帧环视图中具有观测值的车位角点的数量为两个，则将具有观测值的两个车位角点作为校正基准车位角点；若在所述本帧环视图中具有观测值的车位角点的数量为一个，则将具有观测值的一个车位角点作为校正基准车位角点，以及将不具有观测值的车位角点中距离车辆最近的一个车位角点作为校正基准车位角点；若在所述本帧环视图中具有观测值的车位角点的数量为零，则将不具有观测值的车位角点中距离车辆最近的两个车位角点作为校正基准车位角点。
在其中一个实施例中，在所述本帧环视图中具有观测值的车位角点是指，若对应于同一车位角点的车位角点本帧检测位置与车位角点上帧估计位置之间的距离小于或等于预设值，则所述同一车位角点在所述本帧环视图中具有观测值。
在其中一个实施例中，所述卡尔曼滤波模型估计模块1003，还用于基于所述本帧拍摄时刻车辆状态信息与起始拍摄时刻车辆状态信息，确定本帧拍摄时刻车辆位置相对于起始拍摄时刻车辆位置的相对位置信息；利用所述相对位置信息，将所述本帧检测结果所对应的坐标系从所述本帧拍摄时刻车辆位置下的坐标系，转换为所述起始拍摄时刻车辆位置下的坐标系；将坐标系转换后的本帧检测结果、所述本帧拍摄时刻车辆状态信息和所述上帧估计结果输入卡尔曼滤波模型。
在其中一个实施例中，所述装置还包括车位匹配模块，用于获取所述本帧检测结果所包括的车位角点本帧检测位置；所述车位角点本帧检测位置为预先构建的神经网络对所述待检测车位的各车位角点在所述本帧环视图中的位置进行检测得到的，不同的车位角点本帧检测位置对应不同的车位角点；获取所述上帧估计结果所包括的车位角点上帧估计位置；基于对应于同一车位角点的车位角点本帧检测位置与车位角点上帧估计位置，得到所述同一车位角点在所述本帧环视图和所述上帧环视图间的位置偏差距离；若所述各车位角点的位置偏差距离间的平均位置偏差距离小于或等于位置偏差距离阈值，则确定所述本帧检测结果与所述上帧估计结果匹配。
在其中一个实施例中，所述装置还包括角点位置分布处理模块，用于获取所述本帧检测结果所包括的车位角点本帧检测位置，以及车位角点历史多帧估计位置；所述车位角点历史多帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在历史多帧环视图中的位置进行估计得到的，所述历史多帧环视图的拍摄时刻早于且邻近所述本帧环视图的拍摄时刻；基于任一车位角点的车位角点本帧检测位置以及所述任一车位角点的车位角点历史多帧估计位置，得到所述任一车位角点在所述本帧环视图和所述历史多帧环视图上位置分布的紧凑程度；基于对各车位角点的紧凑程度的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值。
在其中一个实施例中，所述角点位置分布处理模块，还用于对对应于所述任一车位角点的车位角点本帧检测位置和车位角点历史多帧估计位置进行平均处理，得到所述任一车位角点的分布中心位置；确定所述任一车位角点的车位角点本帧检测位置与所述任一车位角点的分布中心位置间的第一距离，以及所述任一车位角点的车位角点历史多帧估计位置与所述任一车位角点的分布中心位置间的第二距离；基于所述第一距离和所述第二距离，得到所述任一角点的位置分布标准差；所述位置分布标准差负相关地表征所述任一车位角点的紧凑程度。
在其中一个实施例中，所述角点位置分布处理模块，还用于确定各车位角点的位置分布标准差间的平均标准差；将所述平均标准差的倒数作为所述匹配可靠度，判断所述平均标准差的倒数是否大于或等于所述匹配可靠度阈值。
在其中一个实施例中，所述装置还包括形状误差确定模块，用于基于所述本帧检测结果，确定所述待检测车位对应于所述本帧环视图的多条本帧检测车位线；其中，形成车位角点的两两本帧检测车位线具有邻边关系，不形成车位角点的两两本帧检测车位线具有对边关系；
获取具有所述邻边关系的两两本帧检测车位线间的第一夹角，并基于对各第一夹角与对应的实际夹角间的相对大小的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第一夹角对应不同的具有所述邻边关系的两两本帧检测车位线，所述实际夹角是所述待检测车位中具有邻边关系的两两实际车位线间的夹角。
在其中一个实施例中，所述形状误差确定模块，还用于获取具有所述对边关系的两两本帧检测车位线间的第二夹角，并基于对各第二夹角的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第二夹角对应不同的具有所述邻边关系的两两本帧检测车位线。
关于环视图车位检测结果的处理装置的具体限定可以参见上文中对于环视图车位检测结果的处理方法的限定，在此不再赘述。上述环视图车位检测结果的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
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终端，其内部结构图可以如图11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、通信接口、显示屏和输入装置。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种环视图车位检测结果的处理方法。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。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述各个方法实施例中的步骤。
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上述各个方法实施例中的步骤。
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，上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，本申请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易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
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。
以上的实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种环视图车位检测结果的处理方法，其特征在于，所述方法包括：
获取待检测车位对应于本帧环视图的本帧检测结果；
若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息；
将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，以使所述卡尔曼滤波模型根据所述本帧拍摄时刻车辆状态信息和所述上帧估计结果，得到所述待检测车位对应于所述本帧环视图的本帧预测结果，并根据所述本帧预测结果和所述本帧检测结果输出所述待检测车位对应于所述本帧环视图的本帧估计结果；其中，
所述卡尔曼滤波模型的测量噪声协方差矩阵被设为与所述匹配可靠度呈负相关关系，所述卡尔曼滤波模型的预测噪声协方差矩阵被设为与所述匹配可靠度呈正相关关系。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述本帧估计结果所包括的车位角点本帧估计位置；所述车位角点本帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在所述本帧环视图中的位置进行估计得到的，不同的车位角点本帧估计位置对应不同的车位角点；
从所述各车位角点中选择至少一个车位角点，作为校正基准车位角点；
利用统计车位长、统计车位宽以及所述待检测车位的几何约束，基于所述校正基准车位角点的车位角点本帧估计位置，校正其他车位角点的车位角点本帧估计位置，得到所述其他车位角点的车位角点本帧校正位置；所述其他车位角点为构成所述待检测车位的车位角点中除所述校正基准车位角点外的车位角点；
基于所述其他车位角点的车位角点本帧校正位置和所述校正基准车位角点的车位角点本帧估计位置，得到所述待检测车位对应于所述本帧环视图的本帧校正结果。
3.根据权利要求2所述的方法，其特征在于，被选择作为校正基准车位角点的车位角点的数量为两个；
所述从所述各车位角点中选择至少一个车位角点，作为校正基准车位角点，包括：
若在所述本帧环视图中具有观测值的车位角点的数量大于或等于三个，则从具有观测值的至少三个车位角点中，选择距离车辆最近的两个车位角点作为校正基准车位角点；
若在所述本帧环视图中具有观测值的车位角点的数量为两个，则将具有观测值的两个车位角点作为校正基准车位角点；
若在所述本帧环视图中具有观测值的车位角点的数量为一个，则将具有观测值的一个车位角点作为校正基准车位角点，以及将不具有观测值的车位角点中距离车辆最近的一个车位角点作为校正基准车位角点；
若在所述本帧环视图中具有观测值的车位角点的数量为零，则将不具有观测值的车位角点中距离车辆最近的两个车位角点作为校正基准车位角点。
4.根据权利要求1所述的方法，其特征在于，所述将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，包括：
基于所述本帧拍摄时刻车辆状态信息与起始拍摄时刻车辆状态信息，确定本帧拍摄时刻车辆位置相对于起始拍摄时刻车辆位置的相对位置信息；
利用所述相对位置信息，将所述本帧检测结果所对应的坐标系从所述本帧拍摄时刻车辆位置下的坐标系，转换为所述起始拍摄时刻车辆位置下的坐标系；
将坐标系转换后的本帧检测结果、所述本帧拍摄时刻车辆状态信息和所述上帧估计结果输入卡尔曼滤波模型。
5.根据权利要求1所述的方法，其特征在于，在若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息之前，所述方法还包括：
获取所述本帧检测结果所包括的车位角点本帧检测位置；所述车位角点本帧检测位置为预先构建的神经网络对所述待检测车位的各车位角点在所述本帧环视图中的位置进行检测得到的，不同的车位角点本帧检测位置对应不同的车位角点；
获取所述上帧估计结果所包括的车位角点上帧估计位置；
基于对应于同一车位角点的车位角点本帧检测位置与车位角点上帧估计位置，得到所述同一车位角点在所述本帧环视图和所述上帧环视图间的位置偏差距离；
若所述各车位角点的位置偏差距离间的平均位置偏差距离小于或等于位置偏差距离阈值，则确定所述本帧检测结果与所述上帧估计结果匹配。
6.根据权利要求1所述的方法，其特征在于，在若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息之前，所述方法还包括：
获取所述本帧检测结果所包括的车位角点本帧检测位置，以及车位角点历史多帧估计位置；所述车位角点历史多帧估计位置为所述卡尔曼滤波模型对所述待检测车位的各车位角点在历史多帧环视图中的位置进行估计得到的，所述历史多帧环视图的拍摄时刻早于且邻近所述本帧环视图的拍摄时刻；
基于任一车位角点的车位角点本帧检测位置以及所述任一车位角点的车位角点历史多帧估计位置，得到所述任一车位角点在所述本帧环视图和所述历史多帧环视图上位置分布的紧凑程度；
基于对各车位角点的紧凑程度的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值。
7.根据权利要求1所述的方法，其特征在于，在若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息之前，所述方法还包括：
基于所述本帧检测结果，确定所述待检测车位对应于所述本帧环视图的多条本帧检测车位线；其中，形成车位角点的两两本帧检测车位线具有邻边关系，不形成车位角点的两两本帧检测车位线具有对边关系；
获取具有所述邻边关系的两两本帧检测车位线间的第一夹角，并基于对各第一夹角与对应的实际夹角间的相对大小的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第一夹角对应不同的具有所述邻边关系的两两本帧检测车位线，所述实际夹角是所述待检测车位中具有邻边关系的两两实际车位线间的夹角；
和/或，
获取具有所述对边关系的两两本帧检测车位线间的第二夹角，并基于对各第二夹角的统计，判断所述匹配可靠度是否大于或等于所述匹配可靠度阈值；其中，不同的第二夹角对应不同的具有所述邻边关系的两两本帧检测车位线。
8.一种环视图车位检测结果的处理装置，其特征在于，所述装置包括：
本帧检测结果获取模块，用于获取待检测车位对应于本帧环视图的本帧检测结果；
车辆状态信息获取模块，用于若所述本帧检测结果与所述待检测车位对应于上帧环视图的上帧估计结果间的匹配可靠度大于或者等于匹配可靠度阈值，则获取本帧拍摄时刻车辆状态信息；
卡尔曼滤波模型估计模块，用于将所述本帧拍摄时刻车辆状态信息、所述上帧估计结果以及所述本帧检测结果输入卡尔曼滤波模型，以使所述卡尔曼滤波模型根据所述本帧拍摄时刻车辆状态信息和所述上帧估计结果，得到所述待检测车位对应于所述本帧环视图的本帧预测结果，并根据所述本帧预测结果和所述本帧检测结果输出所述待检测车位对应于所述本帧环视图的本帧估计结果；其中，
所述卡尔曼滤波模型的测量噪声协方差矩阵被设为与所述匹配可靠度呈负相关关系，所述卡尔曼滤波模型的预测噪声协方差矩阵被设为与所述匹配可靠度呈正相关关系。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
10.一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7中任一项所述的方法。
CN202011535385.3A 2020-12-23 2020-12-23 环视图车位检测结果的处理方法、装置、设备和存储介质 Active CN112257698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011535385.3A CN112257698B (zh) 2020-12-23 2020-12-23 环视图车位检测结果的处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011535385.3A CN112257698B (zh) 2020-12-23 2020-12-23 环视图车位检测结果的处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112257698A true CN112257698A (zh) 2021-01-22
CN112257698B CN112257698B (zh) 2022-04-15

Family

ID=74225435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011535385.3A Active CN112257698B (zh) 2020-12-23 2020-12-23 环视图车位检测结果的处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112257698B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435386A (zh) * 2021-07-08 2021-09-24 浙江吉利控股集团有限公司 一种视觉车位无损滤波方法、装置及存储介质
CN113538523A (zh) * 2021-09-17 2021-10-22 魔视智能科技(上海)有限公司 车位检测跟踪方法、电子设备及车辆
CN113963034A (zh) * 2021-10-22 2022-01-21 长春一汽富晟集团有限公司 一种基于视觉的多车位目标跟踪方法
CN114898585A (zh) * 2022-04-20 2022-08-12 清华大学 基于路口多视角的车辆轨迹预测规划方法及系统
CN115223135A (zh) * 2022-04-12 2022-10-21 广州汽车集团股份有限公司 车位跟踪方法、装置、车辆及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109631896A (zh) * 2018-07-23 2019-04-16 同济大学 一种基于车辆视觉和运动信息的停车场自主泊车定位方法
US20190176888A1 (en) * 2017-12-12 2019-06-13 Industrial Technology Research Institute Parking guidance system, parking guidance method thereof and automatic parking system
CN110068818A (zh) * 2019-05-05 2019-07-30 中国汽车工程研究院股份有限公司 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法
CN111160172A (zh) * 2019-12-19 2020-05-15 深圳佑驾创新科技有限公司 泊车位检测方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190176888A1 (en) * 2017-12-12 2019-06-13 Industrial Technology Research Institute Parking guidance system, parking guidance method thereof and automatic parking system
CN109631896A (zh) * 2018-07-23 2019-04-16 同济大学 一种基于车辆视觉和运动信息的停车场自主泊车定位方法
CN110068818A (zh) * 2019-05-05 2019-07-30 中国汽车工程研究院股份有限公司 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法
CN111160172A (zh) * 2019-12-19 2020-05-15 深圳佑驾创新科技有限公司 泊车位检测方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEE M ET AL: "Probabilistic Occupancy Filter Slot Market Detection in an Autonomous Parking System Using AVM", 《IEEE TRANSACTION ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
张晓娟 等: "基于激光传感技术的车位自动检测和定位研究", 《激光杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435386A (zh) * 2021-07-08 2021-09-24 浙江吉利控股集团有限公司 一种视觉车位无损滤波方法、装置及存储介质
CN113538523A (zh) * 2021-09-17 2021-10-22 魔视智能科技(上海)有限公司 车位检测跟踪方法、电子设备及车辆
CN113963034A (zh) * 2021-10-22 2022-01-21 长春一汽富晟集团有限公司 一种基于视觉的多车位目标跟踪方法
CN115223135A (zh) * 2022-04-12 2022-10-21 广州汽车集团股份有限公司 车位跟踪方法、装置、车辆及存储介质
CN115223135B (zh) * 2022-04-12 2023-11-21 广州汽车集团股份有限公司 车位跟踪方法、装置、车辆及存储介质
CN114898585A (zh) * 2022-04-20 2022-08-12 清华大学 基于路口多视角的车辆轨迹预测规划方法及系统

Also Published As

Publication number Publication date
CN112257698B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN112257698B (zh) 环视图车位检测结果的处理方法、装置、设备和存储介质
CN109886997B (zh) 基于目标检测的识别框确定方法、装置及终端设备
CN106886748B (zh) 一种基于tld的适用于无人机的变尺度目标跟踪方法
CN110969145B (zh) 一种遥感图像匹配优化方法、装置、电子设备及存储介质
CN111369495B (zh) 一种基于视频的全景图像的变化检测方法
CN112598922B (zh) 车位检测方法、装置、设备及存储介质
CN111433780A (zh) 车道线检测方法、设备、计算机可读存储介质
JP5228614B2 (ja) パラメータ計算装置、パラメータ計算システムおよびプログラム
CN108376384B (zh) 视差图的矫正方法、装置及存储介质
CN111508025A (zh) 三维位置估计装置以及程序
CN117115415B (zh) 基于大数据分析的图像标记处理方法和系统
CN113256683A (zh) 目标跟踪方法及相关设备
JP6163868B2 (ja) 画像処理方法、画像処理装置および画像処理プログラム
CN112784633A (zh) 一种车道边界的处理方法、装置、电子设备和存储介质
CN114518106B (zh) 高精度地图垂向要素更新检测方法、系统、介质及设备
CN114037977B (zh) 道路灭点的检测方法、装置、设备及存储介质
CN111639662A (zh) 一种遥感图像双向匹配方法、装置、电子设备及存储介质
CN112634141B (zh) 一种车牌矫正方法、装置、设备及介质
CN111462243A (zh) 车载流媒体后视镜标定方法、系统及装置
CN111126109B (zh) 一种车道线识别方法、装置和电子设备
CN111161225B (zh) 一种图像差异检测方法、装置、电子设备和存储介质
CN109242894B (zh) 一种基于移动最小二乘法的图像对齐方法及系统
CN113920155A (zh) 一种基于核相关滤波的动目标跟踪算法
CN113554711A (zh) 相机在线标定方法、装置、计算机设备和存储介质
CN113393475B (zh) 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000

Patentee after: Shenzhen Youjia Innovation Technology Co.,Ltd.

Address before: 518051 1101, west block, Skyworth semiconductor design building, 18 Gaoxin South 4th Road, Gaoxin community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd.