CN112693450B - 一种优化自动泊车的分析方法、装置、电子设备和介质 - Google Patents

Abstract

本发明实施例提供了一种优化自动泊车的分析方法、装置、电子设备和可读存储介质，所述方法包括：获取泊车数据；从所述泊车数据中，确定泊车规律信息；根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息；根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数。根据本发明实施例，提供一种根据泊车大数据优化自动泊车性能的分析方法，通过对泊车大数据进行分析，分析得到其中的泊车规律信息，从而把握用户泊车的实际使用习惯，再根据该泊车规律信息确定摄像头所需采用的识别算法模型，以及摄像头的配置情况，实现有针对性地提高自动泊车系统的泊车性能。

Description

一种优化自动泊车的分析方法、装置、电子设备和介质

技术领域

本发明涉及车辆技术领域，特别是涉及一种优化自动泊车的分析方法、一种优化自动泊车的分析装置、一种电子设备和一种计算机可读存储介质。

背景技术

自动泊车是指汽车自动泊车入位不需要人工控制。自动泊车系统可采集图像数据及周围物体距车身的距离数据，并通过数据线传输给中央处理器，中央处理器可将采集到的数据分析处理后，得出汽车的当前位置、目标位置以及周围的环境参数，依据上述参数作出自动泊车策略，并将其转换成电信号，车辆策略控制系统接受电信号后，依据指令作出汽车的行驶如角度、方向及动力支援方面的操控。

为了提高自动泊车的性能，现有的自动泊车方案通常是基于现有的摄像头等硬件设备进行性能分析，通过提高摄像头等硬件性能达到提高自动泊车性能的目的，然而，这种分析方法没有考虑自动泊车实际要达到的性能要求，不能从用户使用的角度对自动泊车的性能进行优化。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种优化自动泊车的分析方法和相应的一种优化自动泊车的分析装置、一种电子设备、以及一种计算机可读存储介质。

本发明实施例公开了一种优化自动泊车的分析方法，所述方法包括：

获取泊车数据；

从所述泊车数据中，确定泊车规律信息；

根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息；

根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数。

可选地，所述泊车规律信息包括车位识别距离规律信息，所述从所述泊车数据中，确定泊车规律信息，包括：

分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据；

对所述识别距离数据进行拟合，得到识别距离分布函数；

将所述识别距离分布函数作为所述车位识别距离规律信息。

可选地，所述根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息，包括：

确定用户所需的置信水平；

根据所述置信水平确定针对所述泊车规律信息的置信区间；

根据所述置信区间确定完成自动泊车所述摄像头所需采集的所述车位识别信息。

可选地，所述分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据，包括：

从所述每组泊车数据中，获取按照预设的周期采集车辆实时坐标信息，并获取泊车完成时的车位框坐标信息；

根据所述车辆实时坐标信息和所述车位框坐标信息确定在预设的时间范围内车辆距离车位框的最小距离信息；

将所述最小距离信息作为车辆识别车位框的所述识别距离，得到服从正态分布的所述识别距离数据。

可选地，所述车位识别信息包括识别范围信息，所述根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数，包括：

确定达到所述识别范围信息对应的识别范围要求的各个深度学习模型所需输出的最小识别像素信息；

根据所述最小识别像素信息调整所述摄像头的所述识别算法模型。

可选地，所述根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数，包括：

确定摄像头配置参数模型；

根据所述识别范围信息和所述摄像头配置参数模型确定车位线在摄像头视野范围内的夹角信息；

根据所述夹角信息确定车位线像素信息；

根据所述车位线像素信息调整所述摄像头的所述配置参数。

可选地，所述摄像头配置参数模型为：

其中，θ为车位线在摄像头视野范围内的夹角，W为车位线宽度，H为摄像头离地高度，L为摄像头识别的最近车位边界的距离。

本发明实施例还公开了一种优化自动泊车的分析装置，所述装置包括：

获取模块，用于获取泊车数据；

第一确定模块，用于从所述泊车数据中，确定泊车规律信息；

第二确定模块，用于根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息；

调整模块，用于根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数。

可选地，所述泊车规律信息包括车位识别距离规律信息，所述第一确定模块，包括：

计算子模块，用于分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据；

拟合子模块，用于对所述识别距离数据进行拟合，得到识别距离分布函数；

第一确定子模块，用于将所述识别距离分布函数作为所述车位识别距离规律信息。

可选地，所述第二确定模块，包括：

第二确定子模块，用于确定用户所需的置信水平；

第三确定子模块，用于根据所述置信水平确定针对所述泊车规律信息的置信区间；

第四确定子模块，用于根据所述置信区间确定完成自动泊车所述摄像头所需采集的所述车位识别信息。

可选地，所述计算子模块，包括：

获取单元，用于从所述每组泊车数据中，获取按照预设的周期采集车辆实时坐标信息，并获取泊车完成时的车位框坐标信息；

第一确定单元，用于根据所述车辆实时坐标信息和所述车位框坐标信息确定在预设的时间范围内车辆距离车位框的最小距离信息；

第二确定单元，用于将所述最小距离信息作为车辆识别车位框的所述识别距离，得到服从正态分布的所述识别距离数据。

可选地，所述车位识别信息包括识别范围信息，所述调整模块，包括：

第五确定子模块，用于确定达到所述识别范围信息对应的识别范围要求的各个深度学习模型所需输出的最小识别像素信息；

第一调整子模块，用于根据所述最小识别像素信息调整所述摄像头的所述识别算法模型。

可选地，所述调整模块，包括：

第六确定子模块，用于确定摄像头配置参数模型；

第七确定子模块，用于根据所述识别范围信息和所述摄像头配置参数模型确定车位线在摄像头视野范围内的夹角信息；

第八确定子模块，用于根据所述夹角信息确定车位线像素信息；

第二调整子模块，用于根据所述车位线像素信息调整所述摄像头的所述配置参数。

可选地，所述摄像头配置参数模型为：

其中，θ为车位线在摄像头视野范围内的夹角，W为车位线宽度，H为摄像头离地高度，L为摄像头识别的最近车位边界的距离。

本发明实施例还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够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上所述的一种优化自动泊车的分析方法的步骤。

本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种优化自动泊车的分析方法的步骤。

本发明实施例包括以下优点：

在本发明实施例中，获取泊车大数据，并从泊车大数据中，确定泊车规律信息，根据该泊车规律信息确定完成自动泊车，摄像头所需采集的车位识别信息，根据该车位识别信息调整摄像头的识别算法模型和配置参数。通过采用上述方法，提供一种根据泊车大数据优化自动泊车性能的分析方法，通过对泊车大数据进行分析，分析得到其中的泊车规律信息，从而把握用户泊车的实际使用习惯，再根据该泊车规律信息确定为了满足用户使用习惯的要求，自动泊车系统中对车位进行识别的摄像头所需采用的识别算法模型，以及摄像头的配置情况，通过对识别算法模型和摄像头配置进行调整实现有针对性地提高自动泊车系统的泊车性能。

附图说明

图1是本发明实施例的一种优化自动泊车的分析方法的步骤流程图；

图2是本发明实施例的一种优化自动泊车的分析方法的流程图；

图3是本发明实施例的另一种优化自动泊车的分析方法的步骤流程图；

图4是一种车辆识别车位框的模型示意图；

图5是车位框识别距离的分布规律示意图；

图6是车位识别结果输出的延迟距离分布规律示意图；

图7是本发明实施例的一种摄像头配置参数模型的示意图；

图8是本发明实施例的一种优化自动泊车的分析装置的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明，显然，所描述的实施例仅仅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所获得的所有其他实施例，都属于本发明保护的范围。

现有对自动泊车系统进行优化的技术方案通常是对现有的摄像头等硬件设备进行性能分析，通过提高摄像头等硬件性能达到提高自动泊车性能的效果，很少有先确定自动泊车需要达到的性能指标，再根据该性能指标优化自动泊车系统的硬件设备或者算法模型的分析方案。

基于此，本发明拟提供一种克服上述问题或者至少部分地解决上述问题的一种优化自动泊车的分析方法和相应的一种优化自动泊车的分析装置、一种电子设备、以及一种计算机可读存储介质。

本发明实施例的核心构思之一在于，获取泊车大数据，并从泊车大数据中，确定泊车规律信息，根据该泊车规律信息确定完成自动泊车，摄像头所需采集的车位识别信息，根据该车位识别信息调整摄像头的识别算法模型和配置参数。通过采用上述方法，提供一种根据泊车大数据优化自动泊车性能的分析方法，通过对泊车大数据进行分析，分析得到其中的泊车规律信息，从而把握用户泊车的实际使用习惯，再根据该泊车规律信息确定为了满足用户使用习惯的要求，自动泊车系统中对车位进行识别的摄像头所需采用的识别算法模型，以及摄像头的配置情况，通过对识别算法模型和摄像头配置进行调整实现有针对性地提高自动泊车系统的泊车性能。

参照图1，示出了本发明实施例的一种优化自动泊车的分析方法的步骤流程图，具体可以包括如下步骤：

步骤101，获取泊车数据。

在本发明实施例中，可以获取泊车大数据，泊车大数据记录了海量的泊车行为信息，为了使本申请的分析方法更具有可靠性，可以获取足够多的泊车数据。

步骤102，从所述泊车数据中，确定泊车规律信息。

通过对泊车数据进行数据分析可以确定用户泊车行为习惯，得到对应的泊车规律信息，该泊车规律信息可用于指导自动泊车系统提高自动泊车性能。在一种情况下，泊车规律信息可以是车位识别规律信息，即用户识别到停车位的规律。

步骤103，根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息。

通过泊车规律信息确定自动泊车系统需要达到的性能指标，在一种情况下，若泊车规律信息为车位识别规律信息，则根据车位识别规律信息确定自动泊车系统中的车位识别单元在车辆自动泊车过程中需要采集到的车位识别信息，其中，车位识别单元即为摄像头。

步骤104，根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数。

确定摄像头需要采集的车位识别信息后，即可根据该车位识别信息对摄像头的识别算法模型和配置情况进行调整，即可以选择最优的识别算法模型以及最优的摄像头配置参数。在一种示例中，可以对摄像头的布置高度，布置角度和摄像头像素进行相应的调整。

参照图2所示为本发明实施例的一种优化自动泊车的分析方法的流程图，该流程包括：

1、获取泊车大数据。

2、根据泊车大数据确定其中的泊车规律。

3、确定自动泊车系统若要满足该泊车规律，系统要达到的性能指标。

4、根据该性能指标明确最优的算法模型和硬件配置。

综上，在本发明实施例中，获取泊车大数据，并从泊车大数据中，确定泊车规律信息，根据该泊车规律信息确定完成自动泊车，摄像头所需采集的车位识别信息，根据该车位识别信息调整摄像头的识别算法模型和配置参数。通过采用上述方法，提供一种根据泊车大数据优化自动泊车性能的分析方法，通过对泊车大数据进行分析，分析得到其中的泊车规律信息，从而把握用户泊车的实际使用习惯，再根据该泊车规律信息确定为了满足用户使用习惯的要求，自动泊车系统中对车位进行识别的摄像头所需采用的识别算法模型，以及摄像头的配置情况，通过对识别算法模型和摄像头配置进行调整实现有针对性地提高自动泊车系统的泊车性能。

参照图3，示出了本发明实施例的另一种优化自动泊车的分析方法的步骤流程图，具体可以包括如下步骤：

步骤301，获取泊车数据。

泊车数据可以存储在泊车数据库中，当需要使用的时候从泊车数据库中导出。

步骤302，分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据。

在本发明实施例中，可以利用泊车数据计算车辆识别到车位框的识别距离，得到服从正态分布的识别距离数据。具体的，针对步骤302，包括以下子步骤：

子步骤S11，从所述每组泊车数据中，获取按照预设的周期采集车辆实时坐标信息，并获取泊车完成时的车位框坐标信息。

在每组泊车数据中均存储有泊车过程中车辆的实时坐标信息和在泊车完成时的车位框坐标信息，其中，车辆实时坐标信息是按照预设的周期进行实时采集的。

子步骤S12，根据所述车辆实时坐标信息和所述车位框坐标信息确定在预设的时间范围内车辆距离车位框的最小距离信息。

通过车辆实时坐标信息以及车位框坐标信息，确定在预设的时间范围内车辆距离车位框的最小距离。

子步骤S13，将所述最小距离信息作为车辆识别车位框的所述识别距离，得到服从正态分布的所述识别距离数据。

在本发明实施例中，将该最小距离信息作为车辆识别到车位框的识别距离，通过计算得到各组泊车数据对应的最小识别距离，分析该最小识别距离的分布规律，确定符合正态或者正偏态分布规律。

为了使本领域技术人员能够更好地理解本发明实施例子步骤S11至子步骤S13，下面详细说明得到识别距离数据的过程。

参照图4所示为一种车辆识别车位框的模型示意图，其中，该车辆在泊车过程中的行驶轨迹为从图中的位置Q行驶至位置P，图中显示有三个车位框，其中空白车位框为车辆的最终停车位置。图中的F、R为空白车位框靠近车辆一边的两个边界角点。

在实际泊车过程中，可以以50ms作为一个周期获取车辆实时的全局坐标信息、对应的时刻信息以及车位框F、R边界角点的坐标信息，其中，对于F、R边界角点的坐标，如果可以识别到就输出F、R的全局坐标，如果不能识别就不输出；

当检测到泊车成功后，获取此时输出的车位框边界角点F、R的全局坐标及对应的车辆坐标P；

对泊车成功前预设时间范围的车辆坐标进行轮询，其中，预设时间范围可以为泊车成功前20s的时间范围内，将车辆实时坐标表示为A，计算AF+AR距离之和，比较得出AF+AR距离之和最小的车辆坐标A’，记为Q，认为Q是识别到车位框F、R边界角点的车辆对应点；

计算Q到向量FR之间的距离，作为车辆距离车位框的最小距离，用d表示,通过对大量的泊车数据进行分析计算，分析得到d的分布规律，符合正偏态分布。参照图5所示为车位框识别距离的分布规律示意图，图中横坐标为车位框识别距离(单位：米)，纵坐标为数据出现的频率，可以看出该识别距离数据服从正偏态分布。

此外，在实际应用中，还可以计算PQ之间的距离，并将其作为车位识别结果输出的延迟距离，延迟距离的分布规律如图6所示，图6为车位识别结果输出的延迟距离分布规律示意图，图中横坐标为延迟距离(单位：米)，纵坐标为数据出现的频率，可以看出该延迟距离数据也服从正偏态分布。

步骤303，对所述识别距离数据进行拟合，得到识别距离分布函数。

在本发明实施例中，可以采用正偏态(或者正态)分布函数对识别距离数据进行拟合，得到对应的识别距离分布函数。

步骤304，将所述识别距离分布函数作为所述车位识别距离规律信息。

泊车规律信息包括车位识别距离规律信息，且车位识别距离规律信息可以为识别距离分布函数。

步骤305，确定用户所需的置信水平。

步骤306，根据所述置信水平确定针对所述泊车规律信息的置信区间。

在本发明实施例中，可以确定用户希望自动泊车系统涵盖的泊车规律信息的范围，在一种示例中，若泊车规律信息为车位识别距离规律信息，且用户希望覆盖该车位识别距离规律99.73％的场景，即置信水平为99.73％，基于识别距离分布函数服从正态分布的特性，可以确定对应的置信区间，用作[0,d0]表示。

步骤307，根据所述置信区间确定完成自动泊车所述摄像头所需采集的所述车位识别信息。

根据置信区间确定摄像头需要采集的车位识别信息。其中，车位识别信息包括识别范围信息，在一种示例中，可以将d0作为摄像头需要检测到的车位识别范围。

在实际应用中，通过统计泊车大数据的分布规律，得出为了满足99％以上的用户场景，车位识别需要满足的车位识别范围和车位识别结果输出延迟距离，然后根据该要求进行硬件选型和算法模型选型。

步骤308，确定达到所述识别范围信息对应的识别范围要求的各个深度学习模型所需输出的最小识别像素信息。

在本发明实施例中，将识别范围信息输入各种摄像头进行车位识别的深度学习模型中，输出每个模型对应的最小识别像素信息。

步骤309，根据所述最小识别像素信息调整所述摄像头的所述识别算法模型。

根据最小识别像素信息对摄像头的识别算法进行选型或者调整，在算法实现方面，通过对常用的深度学习模型进行评估，分析各种深度学习模型为了满足算法识别范围要求，对于车位识别的最小像素。即针对识别范围，本发明实施例提出了使用最小识别像素作为算法模型的评估指标。

步骤310，确定摄像头配置参数模型。

对于摄像头配置参数方面，本发明实施例建立了摄像头配置参数模型。摄像头配置参数模型如下所示：

其中，θ为车位线在摄像头视野范围内的夹角，W为车位线宽度，H为摄像头离地高度，L为摄像头识别的最近车位边界的距离。为了使本领域技术人员能够更好地理解该摄像头配置参数模型，下面对其进行详细说明。

参照图7所示为本发明实施例的一种摄像头配置参数模型的示意图，其中，摄像头离地高度为H，摄像头识别的最近车位边界的距离为L，车位线宽度为150mm，车位线在摄像头视野范围内的夹角为θ。可以得到H、L和夹角θ之间的关系为：

其中，θ是L的单调函数，车位线距离摄像头的水平距离L越大，θ越小；

θ是H的先增后减函数，临界点为

需要识别的物体离车辆越近，识别效果越好，从物体识别的角度，需要考虑距离远的位置识别精度作为边界，识别最远距离至少都为2m而车辆高度一般不会超过2m，因此，在考虑最远识别距离的时候，θ随H的增加而增加，即在实际的车辆条件下，为了计算最远的识别范围，摄像头布置越高，识别效果越好。

进一步地，通过θ和摄像头的镜头畸变表(物体的像高等于镜头焦距与夹角θ正切值的乘积)可以计算得到车位线在摄像头图像传感器上的实际像高，由此可以计算车位线在图像中的像素值。

步骤311，根据所述识别范围信息和所述摄像头配置参数模型确定车位线在摄像头视野范围内的夹角信息。

在本发明实施例中，根据识别范围信息和摄像头配置参数模型可以得到车位线在摄像头视野范围内的夹角信息。

步骤312，根据所述夹角信息确定车位线像素信息。

通过夹角信息和摄像头的镜头畸变表可以计算得到车位线的实际像高，进而确定车位线在图像传感器中的像素值。

步骤313，根据所述车位线像素信息调整所述摄像头的所述配置参数。

摄像头配置参数包括摄像头布置高度，布置角度和摄像头像素等，在一种情况下，可以基于车位线像素信息对摄像头像素进行调整。

通过对泊车大数据进行分析，统计用户泊车规律，抽取关键参数(例如车位识别范围)，使用正偏态(或者正态)分布函数进行拟合，获取为了涵盖绝大多数用户场景，自动泊车中进行车位识别的摄像头需要满足的性能参数(车位识别范围、车位识别结果输出延迟等)。从算法实现和硬件配置两个维度对摄像头性能参数的工程实现进行分析，考虑实际情况，明确最优的算法模型和硬件配置。例如针对车位识别范围，通过大数据可以获取到用户泊车时识别车位的识别距离信息，然后分析得到该识别距离信息的分布规律。为了涵盖99％以上的用户需求，可以基于泊车识别距离的分布规律计算泊车识别系统中摄像头需要满足的识别范围要求。然后根据这个范围要求分析摄像头需要满足的性能条件，找到可以达到该要求的硬件配置和算法实现的解决方案。

综上，在本发明实施例中，获取泊车大数据，并从泊车大数据中，确定泊车规律信息，根据该泊车规律信息确定完成自动泊车，摄像头所需采集的车位识别信息，根据该车位识别信息调整摄像头的识别算法模型和配置参数。通过采用上述方法，提供一种根据泊车大数据优化自动泊车性能的分析方法，通过对泊车大数据进行分析，分析得到其中的泊车规律信息，从而把握用户泊车的实际使用习惯，再根据该泊车规律信息确定为了满足用户使用习惯的要求，自动泊车系统中对车位进行识别的摄像头所需采用的识别算法模型，以及摄像头的配置情况，通过对识别算法模型和摄像头配置进行调整实现有针对性地提高自动泊车系统的泊车性能。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图8，示出了本发明实施例的一种优化自动泊车的分析装置的结构框图，具体可以包括如下模块：

获取模块801，用于获取泊车数据；

第一确定模块802，用于从所述泊车数据中，确定泊车规律信息；

第二确定模块803，用于根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息；

调整模块804，用于根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数。

在本发明实施例中，所述泊车规律信息包括车位识别距离规律信息，所述第一确定模块，包括：

计算子模块，用于分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据；

拟合子模块，用于对所述识别距离数据进行拟合，得到识别距离分布函数；

第一确定子模块，用于将所述识别距离分布函数作为所述车位识别距离规律信息。

在本发明实施例中，所述第二确定模块，包括：

第二确定子模块，用于确定用户所需的置信水平；

第三确定子模块，用于根据所述置信水平确定针对所述泊车规律信息的置信区间；

第四确定子模块，用于根据所述置信区间确定完成自动泊车所述摄像头所需采集的所述车位识别信息。

在本发明实施例中，所述计算子模块，包括：

获取单元，用于从所述每组泊车数据中，获取按照预设的周期采集车辆实时坐标信息，并获取泊车完成时的车位框坐标信息；

第一确定单元，用于根据所述车辆实时坐标信息和所述车位框坐标信息确定在预设的时间范围内车辆距离车位框的最小距离信息；

第二确定单元，用于将所述最小距离信息作为车辆识别车位框的所述识别距离，得到服从正态分布的所述识别距离数据。

在本发明实施例中，所述车位识别信息包括识别范围信息，所述调整模块，包括：

第五确定子模块，用于确定达到所述识别范围信息对应的识别范围要求的各个深度学习模型所需输出的最小识别像素信息；

第一调整子模块，用于根据所述最小识别像素信息调整所述摄像头的所述识别算法模型。

在本发明实施例中，所述调整模块，包括：

第六确定子模块，用于确定摄像头配置参数模型；

第七确定子模块，用于根据所述识别范围信息和所述摄像头配置参数模型确定车位线在摄像头视野范围内的夹角信息；

第八确定子模块，用于根据所述夹角信息确定车位线像素信息；

第二调整子模块，用于根据所述车位线像素信息调整所述摄像头的所述配置参数。

在本发明实施例中，所述摄像头配置参数模型为：

其中，θ为车位线在摄像头视野范围内的夹角，W为车位线宽度，H为摄像头离地高度，L为摄像头识别的最近车位边界的距离。

综上，在本发明实施例中，获取泊车大数据，并从泊车大数据中，确定泊车规律信息，根据该泊车规律信息确定完成自动泊车，摄像头所需采集的车位识别信息，根据该车位识别信息调整摄像头的识别算法模型和配置参数。通过采用上述方法，提供一种根据泊车大数据优化自动泊车性能的分析方法，通过对泊车大数据进行分析，分析得到其中的泊车规律信息，从而把握用户泊车的实际使用习惯，再根据该泊车规律信息确定为了满足用户使用习惯的要求，自动泊车系统中对车位进行识别的摄像头所需采用的识别算法模型，以及摄像头的配置情况，通过对识别算法模型和摄像头配置进行调整实现有针对性地提高自动泊车系统的泊车性能。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明实施例还提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够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一种优化自动泊车的分析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了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述一种优化自动泊车的分析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。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种优化自动泊车的分析方法、一种优化自动泊车的分析装置、一种电子设备和一种计算机可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种优化自动泊车的分析方法，其特征在于，所述方法包括：

获取泊车数据；

从所述泊车数据中，确定泊车规律信息；所述泊车规律信息为从泊车行为信息中分析到的用户的泊车行为习惯；所述泊车规律信息包括车位识别距离规律信息；所述车位识别距离规律信息为对服从正态分布的识别距离数据进行拟合得到的；

根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息；

根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数；

所述车位识别信息包括识别范围信息，所述根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数，包括：

确定达到所述识别范围信息对应的识别范围要求的各个深度学习模型所需输出的最小识别像素信息；

根据所述最小识别像素信息调整所述摄像头的所述识别算法模型。

2.根据权利要求1所述的方法，其特征在于，所述从所述泊车数据中，确定泊车规律信息，包括：

分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据；

对所述识别距离数据进行拟合，得到识别距离分布函数；

将所述识别距离分布函数作为所述车位识别距离规律信息。

3.根据权利要求1所述的方法，其特征在于，所述根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息，包括：

确定用户所需的置信水平；

根据所述置信水平确定针对所述泊车规律信息的置信区间；

根据所述置信区间确定完成自动泊车所述摄像头所需采集的所述车位识别信息。

4.根据权利要求2所述的方法，其特征在于，所述分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据，包括：

从所述每组泊车数据中，获取按照预设的周期采集车辆实时坐标信息，并获取泊车完成时的车位框坐标信息；

根据所述车辆实时坐标信息和所述车位框坐标信息确定在预设的时间范围内车辆距离车位框的最小距离信息；

将所述最小距离信息作为车辆识别车位框的所述识别距离，得到服从正态分布的所述识别距离数据。

5.根据权利要求1所述的方法，其特征在于，所述根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数，包括：

确定摄像头配置参数模型；

根据所述识别范围信息和所述摄像头配置参数模型确定车位线在摄像头视野范围内的夹角信息；

根据所述夹角信息确定车位线像素信息；

根据所述车位线像素信息调整所述摄像头的所述配置参数。

6.根据权利要求5所述的方法，其特征在于，所述摄像头配置参数模型为：

其中，θ为车位线在摄像头视野范围内的夹角，W为车位线宽度，H为摄像头离地高度，L为摄像头识别的最近车位边界的距离。

7.一种优化自动泊车的分析装置，其特征在于，所述装置包括：

获取模块，用于获取泊车数据；

第一确定模块，用于从所述泊车数据中，确定泊车规律信息；所述泊车规律信息为从泊车行为信息中分析到的用户的泊车行为习惯；所述泊车规律信息包括车位识别距离规律信息；所述车位识别距离规律信息为对服从正态分布的识别距离数据进行拟合得到的；

第二确定模块，用于根据所述泊车规律信息确定完成自动泊车摄像头所需采集的车位识别信息；

调整模块，用于根据所述车位识别信息调整所述摄像头的识别算法模型，以及调整所述摄像头的配置参数；

所述车位识别信息包括识别范围信息，所述调整模块，还用于确定达到所述识别范围信息对应的识别范围要求的各个深度学习模型所需输出的最小识别像素信息；根据所述最小识别像素信息调整所述摄像头的所述识别算法模型。

8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，包括：

计算子模块，用于分别计算每组泊车数据中车辆识别车位框的识别距离，得到服从正态分布的识别距离数据；

拟合子模块，用于对所述识别距离数据进行拟合，得到识别距离分布函数；

第一确定子模块，用于将所述识别距离分布函数作为所述车位识别距离规律信息。

9.根据权利要求7所述的装置，其特征在于，所述第二确定模块，包括：

第二确定子模块，用于确定用户所需的置信水平；

第三确定子模块，用于根据所述置信水平确定针对所述泊车规律信息的置信区间；

第四确定子模块，用于根据所述置信区间确定完成自动泊车所述摄像头所需采集的所述车位识别信息。

10.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够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1-6中任一项所述的一种优化自动泊车的分析方法的步骤。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种优化自动泊车的分析方法的步骤。

Images