CN113553881A - 泊车位检测方法及相关装置 - Google Patents
泊车位检测方法及相关装置 Download PDFInfo
- Publication number
- CN113553881A CN113553881A CN202010329206.4A CN202010329206A CN113553881A CN 113553881 A CN113553881 A CN 113553881A CN 202010329206 A CN202010329206 A CN 202010329206A CN 113553881 A CN113553881 A CN 113553881A
- Authority
- CN
- China
- Prior art keywords
- parking space
- target
- dimensional boundary
- parking
- boundary frame
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012805 post-processing Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000004927 fusion Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种泊车位检测方法及相关装置,方法包括:获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆;将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数;根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息;根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。采用本申请实施例有助于提高泊车位检测的准确性和效率。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种泊车位检测方法及相关装置。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人,自然语言处理,计算机视觉,决策与推理,人机交互,推荐与搜索,AI基础理论等。
自动驾驶是人工智能领域的一种主流应用,自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位系统等协同合作,让机动车辆可以在不需要人类主动操作下,实现自动驾驶。自动驾驶的车辆使用各种计算系统来帮助将乘客从一个位置运输到另一位置。一些自动驾驶车辆可能要求来自操作者(诸如,领航员、驾驶员、或者乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动模操作式切换到自动驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人类来驾驶机动车辆,所以理论上能够有效避免人类的驾驶失误,减少交通事故的发生,且能够提高公路的运输效率。因此,自动驾驶技术越来越受到重视。
目前,泊车位检测的过程为:首先基于深度学习分割出泊车位的多个关键点、入口边和车位边,然后通过先验信息将泊车位的不同部件组合在一起,最后进行后处理生成最终的泊车位;或者,首先基于深度学习检测出泊车位的两个入口边关键点(K点),然后通过两个K点两两匹配,如果符合一定的先验约束,则通过两个K点裁剪出局部图像,将局部图像输入到神经网络模型进行分类,同时通过局部图像进行泊车位旋转角度估计,最终利用以上信息进行后处理生成最终的泊车位。上述两种泊车位检测方式导致泊车位检测的准确性较低和效率较差。
发明内容
本申请实施例提供一种泊车位检测方法及相关装置,用于提高泊车位检测的准确性和效率。
第一方面,本申请实施例提供一种泊车位检测方法,包括:
获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆;
将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数;
根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息;
根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
可以看出,相较于将通过先验信息组合起来的泊车位的不同部件进行后处理得到最终的泊车位,或者,基于符合先验约束的两个入口边关键点裁剪出的局部图像和通过局部图像估计的泊车位旋转角度进行后处理得到最终的泊车位,在本申请实施例中,基于N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息,基于N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,N组泊车位数据包括N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度,N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度分别与N组泊车位数据一一对应,根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息,包括:
根据N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度获得目标车辆在当前时刻的N个初始二维边界框,N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度分别与N个初始二维边界框一一对应;
根据N个初始二维边界框、N个泊车位旋转角度和预存的旋转矩阵获得N个目标二维边界框,N个目标二维边界框为目标车辆在当前时刻的N个初始泊车位信息,N个初始二维边界框和N个泊车位旋转角度分别与N个目标二维边界框一一对应。
可见,在本示例中,首先基于N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度获得目标车辆在当前时刻的N个初始二维边界框,然后基于N个初始二维边界框、N个泊车位旋转角度和旋转矩阵获得N个目标二维边界框(即目标车辆在当前时刻的N个初始泊车位信息),进而基于N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息,包括:
获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合;
获得与每个目标二维边界框对应的泊车位类型;
若目标二维边界框A对应的泊车位类型为垂直车位或平行车位,则根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框A为N个目标二维边界框中的任意一个;或者,
若目标二维边界框B对应的泊车位类型为斜向车位,则根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框B为N个目标二维边界框中的任意一个。
可见,在本示例中,基于目标二维边界框对应的泊车位类型,分别进行垂直-平行车位后处理或斜向车位后处理,得到该目标二维边界框对应的目标车辆在当前时刻的目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,包括:
若目标二维边界框A与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据两个入口边关键点和目标二维边界框A的长度获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的三个关键点匹配,则将三个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点匹配,则将四个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点均不匹配,则将目标二维边界框A确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息。
可见,在本示例中,基于目标二维边界框与其对应的泊车位关键点集合匹配的数量,采用不同的方式获得该目标二维边界框对应的目标车辆在当前时刻的垂直或平行车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,包括:
若目标二维边界框B与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据两个入口边关键点、目标二维边界框B对应的泊车位旋转角度和目标二维边界框B的长度获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的三个关键点匹配,则将三个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点匹配,则将四个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息。
可见,在本示例中,基于目标二维边界框与其对应的泊车位关键点集合匹配的数量,采用不同的方式获得该目标二维边界框对应的目标车辆在当前时刻的斜向车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,方法还包括:
获得目标车辆从当前时刻至与当前时刻相邻的下一时刻的行驶数据;
根据行驶数据对N个目标泊车位信息进行位置更新,得到位置更新后的N个目标泊车位信息;
获得目标车辆在与当前时刻相邻的下一时刻的M个目标泊车位信息,M为大于等于1的整数;
若目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,则将目标泊车位信息C对应的车位状态设置为新增车位,目标泊车位信息C为M个目标泊车位信息中的任意一个;或者,
若目标泊车位信息D与位置更新后的N个目标泊车位信息中的其中一个匹配,则将目标泊车位信息D对应的车位状态设置为原有车位,目标泊车位信息D为M个目标泊车位信息中的任意一个。
可见,在本示例中,如果目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,那么将目标泊车位信息C对应的车位状态设置为新增车位;如果目标泊车位信息D与位置更新后的N个目标泊车位信息中的其中一个匹配,那么将目标泊车位信息D对应的车位状态设置为原有车位,这样实现了在停车场行驶的自动驾驶车辆进行泊车位跟踪。
第二方面,本申请实施例提供一种泊车位检测装置,包括:
获得单元,用于获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆;
获得单元,还用于将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数;
获得单元,还用于根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息;
获得单元,还用于根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
第三方面,本申请提供一种泊车位检测装置,装置包括相互耦合的处理器、通信接口和存储器,其中:
处理器,用于获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆;
处理器,还用于将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数;
处理器,还用于根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息;
处理器,还用于根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
第四方面,本申请提供一种计算机可读存储介质,存储有计算机指令,计算机程序被硬件(例如处理器等)执行以实现本申请实施例中由泊车位检测装置执行的任意一种方法的部分或全部步骤。
第五方面,本申请实施例提供一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行以上各方面的泊车位检测方法的部分或全部步骤。
第六方面,本申请实施例提供一种芯片系统,芯片系统包括处理器,用于支持电子设备实现以上各方面的泊车位检测方法的部分或全部步骤。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1A是本申请实施例提供的第一种现有泊车位检测的示意图;
图1B是本申请实施例提供的第二种现有泊车位检测的示意图;
图2A是本申请实施例提供的一种泊车位检测方法的流程示意图;
图2B是本申请实施例提供的一种泊车位中心点坐标的示意图;
图2C是本申请实施例提供的一种泊车位旋转角度的示意图;
图2D是本申请实施例提供的一种获得目标车辆在当前时刻的初始泊车位信息的示意图;
图2E是本申请实施例提供的一种垂直-平行车位的示意图;
图2F是本申请实施例提供的一种斜向车位的示意图;
图3A是本申请实施例提供的一种自动泊车入库方法的流程示意图;
图3B是本申请实施例提供的一种自动驾驶地图的构建方法的流程图;
图4是本申请实施例提供的一种泊车位检测装置的功能单元组成框图;
图5是本申请实施例提供的一种泊车位检测装置的结构示意图;
图6是本申请实施例提供的一种芯片系统的结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
请参见图1A,图1A是本申请实施例提供的第一种现有泊车位检测的示意图,该第一种泊车位检测是通过分割方法检测泊车位,首先,基于深度学习分割出泊车位的多个关键点、入口边和车位边,然后,通过组合车位的不同部件进行后处理生成最终的泊车位。
分割方案中,神经网络模型输出的是离散的泊车位部件,部件之间不存在语义信息连接,需要通过先验信息将不同部件组合在一起。为了处理复杂多样的停车场场景,对后处理的系统要求会非常高,整个自主代客泊车系统(AVP)的鲁棒性和可拓展性较差。
请参见图1B,图1B是本申请实施例提供的第二种泊车位检测的示意图,该第二种泊车位检测是通过检测和分类检测泊车位,首先,基于深度学习检测泊车位的多个入口边关键点,然后,通过检测出的入口边关键点两两配对,如果符合一定的先验约束,则通过两个入口边关键点剪裁出局部图像,将局部图像输入到神经网络模型进行分类,同时通过局部图像进行车位的角度估计,最终利用以上信息生成最终的车位。
检测分类方案需要同时维护两个神经网络(检测和分类),后处理也较为复杂,降低了整个自主代客泊车系统(AVP)的鲁棒性。
为了解决泊车位检测的准确性较低的问题,本申请实施例提供一种泊车位检测方法和相关装置。
请参见图2A,图2A是本申请实施例提供的一种泊车位检测方法,该泊车位检测方法包括步骤201-204,具体如下:
201、泊车位检测装置获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆。
在一些可能的实施例中,泊车位检测装置获得目标车辆在当前时刻的第一鱼眼拼接图像,包括:
泊车位检测装置向多个鱼眼相机发送多个鱼眼图像请求,多个鱼眼图像请求中的每个鱼眼图像请求均用于指示其对应的鱼眼相机反馈当前时刻的鱼眼图像,多个鱼眼图像请求与多个鱼眼相机一一对应;泊车位检测装置接收多个鱼眼相机针对多个鱼眼图像请求发送的多个当前时刻的鱼眼图像;泊车位检测装置对多个当前时刻的鱼眼图像进行拼接,得到目标车辆在当前时刻的第一鱼眼拼接图像;或者,
泊车位检测装置接收多个鱼眼相机发送的多个当前时刻的鱼眼图像,多个当前时刻的鱼眼图像与多个鱼眼相机一一对应;泊车位检测装置对多个当前时刻的鱼眼图像进行拼接,得到目标车辆在当前时刻的第一鱼眼拼接图像。
多个鱼眼相机可以包括安装在目标车辆的车标的鱼眼相机、安装在尾部车牌的鱼眼相机、安装在左后视镜的鱼眼相机、安装在右后视镜的鱼眼相机。
需要说明的是,上述仅为泊车位检测装置获得目标车辆在当前时刻的第一鱼眼拼接图像的两种可行的实施方式,泊车位检测装置还可以通过其他可行的实施方式获得目标车辆在当前时刻的第一鱼眼拼接图像,在此不作限定。
202、泊车位检测装置将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数。
神经网络模型是已经训练好的模型,神经网络模型用于检测鱼眼拼接图像包括的一组或多组泊车位数据、一个或多个泊车位关键点集合以及一个或多个泊车位类型。
203、泊车位检测装置根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息。
在一些可能的实施例中,N组泊车位数据包括N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度,N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度分别与N组泊车位数据一一对应,泊车位检测装置根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息,包括:
泊车位检测装置根据N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度获得目标车辆在当前时刻的N个初始二维边界框,N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度分别与N个初始二维边界框一一对应;
泊车位检测装置根据N个初始二维边界框、N个泊车位旋转角度和预存的旋转矩阵获得N个目标二维边界框,N个目标二维边界框为目标车辆在当前时刻的N个初始泊车位信息N个初始二维边界框和N个泊车位旋转角度分别与N个目标二维边界框一一对应。
泊车位中心点坐标为泊车位中心点在目标车辆在当前时刻的坐标系下的x轴坐标值和y轴坐标值。
举例来说,如图2B所示,图2B是本申请实施例提供的一种泊车位中心点坐标的示意图,泊车位中心点在目标车辆在当前时刻的坐标系下的x轴坐标值为x1,泊车位中心点在目标车辆在当前时刻的坐标系下的y轴坐标值为y1,即泊车位中心点坐标为(x1,y1)。
泊车位旋转角度是泊车位相较于目标车辆的旋转角度。
举例来说,如图2C所示,图2C是本申请实施例提供的一种泊车位旋转角度的示意图,泊车位旋转角度为α。
可选的,泊车位检测装置根据初始二维边界框、泊车位旋转角度和预存的旋转矩阵获得目标车辆在当前时刻的目标二维边界框,包括:
泊车位检测装置根据初始二维边界框获取多个第一坐标点;
泊车位检测装置根据多个第一坐标点、泊车位旋转角度和预存的旋转矩阵获得多个第二坐标点,多个第二坐标点与多个第一坐标点一一对应;
泊车位检测装置将多个第二坐标点构成的二维边界框确定为目标车辆在当前时刻的目标二维边界框。
需要说明的是,上述仅为泊车位检测装置获得目标车辆在当前时刻的目标二维边界框的一种可行的实施方式,泊车位检测装置还可以通过其他可行的实施方式获得目标车辆在当前时刻的目标二维边界框,在此不再叙述。
旋转矩阵可以预先存储在泊车位检测装置中,旋转矩阵为:
x'为目标车辆在当前时刻的目标二维边界框中的坐标点P1的x轴坐标值,坐标点P1为目标车辆在当前时刻的目标二维边界框包括的所有坐标点中的任意一个,y'为目标车辆在当前时刻的目标二维边界框中的坐标点P1的y轴坐标值,θ为目标车辆在当前时刻的目标二维边界框对应的泊车位旋转角度,x为目标车辆在当前时刻的初始二维边界框中的坐标点P的x轴坐标值,坐标点P为目标车辆在当前时刻的初始二维边界框包括的所有坐标点中的任意一个,y为目标车辆在当前时刻的初始二维边界框中的坐标点P的y轴坐标值,坐标点P与坐标点P1对应。
举例来说,如图2D所示,图2D是本申请实施例提供的一种获得目标车辆在当前时刻的初始泊车位信息的示意图,首先,基于泊车位中心点坐标、泊车位长度和泊车位宽度获得目标车辆在当前时刻的初始二维边界框,然后,基于目前车辆在当前时刻的初始二维边界框和泊车位旋转角度和旋转矩阵获得目标车辆在当前时刻的目标二维边界框。
可见,在本示例中,首先基于N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度获得目标车辆在当前时刻的N个初始二维边界框,然后基于N个初始二维边界框、N个泊车位旋转角度和旋转矩阵获得N个目标二维边界框(即目标车辆在当前时刻的N个初始泊车位信息),进而基于N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
204、泊车位检测装置根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
可以看出,相较于将通过先验信息组合起来的泊车位的不同部件进行后处理得到最终的泊车位,或者,基于符合先验约束的两个入口边关键点裁剪出的局部图像和通过局部图像估计的泊车位旋转角度进行后处理得到最终的泊车位,在本申请实施例中,基于N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息,基于N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,泊车位检测装置根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息,包括:
泊车位检测装置获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合;
泊车位检测装置获得与每个目标二维边界框对应的泊车位类型;
若目标二维边界框A对应的泊车位类型为垂直车位或平行车位,则泊车位检测装置根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框A为N个目标二维边界框中的任意一个;或者,
若目标二维边界框B对应的泊车位类型为斜向车位,则泊车位检测装置根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框B为N个目标二维边界框中的任意一个。
在泊车位检测装置根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息之前,N个目标二维边界框和N个泊车位关键点集合均是无序的。
可选的,泊车位检测装置获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合,包括:
泊车位检测装置获得目标二维边界框E的中心点,目标二维边界框E为N个目标二维边界框中的任意一个;
泊车位检测装置根据预存的欧式距离公式获得目标二维边界框E的中心点与N个泊车位关键点集合的N个欧式距离值,N个欧式距离值与N个泊车位关键点集合一一对应;
泊车位检测装置将N个欧式距离值中的最小欧式距离值对应的泊车位关键点集合确定为目标二维边界框E对应的泊车位关键点集合。
欧式距离公式可以预先存储在泊车位检测装置中,欧式距离公式为:
s为目标二维边界框E的中心点与泊车位关键点集合的欧式距离值,(x',y')为目标二维边界框E的中心点,(a1,b1)为该泊车位关键点集合包括的第一个关键点,(a2,b2)为该泊车位关键点集合包括的第二个关键点,(a3,b3)为该泊车位关键点集合包括的第三个关键点,(a4,b4)为该泊车位关键点集合包括的第四个关键点。
泊车位关键点集合可以包括两个入口边关键点和两个车位边关键点,入口边是车辆驶入泊车位的边,车位边是泊车位包括的四条边中除入口边之外的三条边。
需要说明的是,上述仅为泊车位检测装置获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合的一种可行的实施方式,泊车位检测装置还可以通过其他可行的实施方式获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合,在此不作限定。
泊车位类型可以包括垂直车位、平行车位、斜向车位。
可见,在本示例中,基于目标二维边界框对应的泊车位类型,分别进行垂直-平行车位后处理或斜向车位后处理,得到该目标二维边界框对应的目标车辆在当前时刻的目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,泊车位检测装置根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,包括:
若目标二维边界框A与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则泊车位检测装置根据两个入口边关键点和目标二维边界框A的长度获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的三个关键点匹配,则泊车位检测装置将三个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点匹配,则泊车位检测装置将四个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点均不匹配,则泊车位检测装置将目标二维边界框A确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息。
可选的,泊车位检测装置根据两个入口边关键点和目标二维边界框A的长度获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,包括:
泊车位检测装置对两个入口边关键点进行连接,得到第一待连接入口边;
泊车位检测装置以两个入口边关键点分别为端点,作垂直于待连接入口边且长度为目标二维边界框A的长度的线段,得到两个第一待连接车位边;
泊车位检测装置将第一待连接入口边和两个第一待连接车位边构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息。
举例来说,如图2E所示,图2E是本申请实施例提供的一种垂直-平行车位的示意图,该垂直-平行车位包括入口边关键点K1和入口边关键点K2,该垂直-平行车位包括的两条车位边与入口边垂直,该垂直-平行车位包括的另一条车位边与入口边平行,该垂直-平行车位的长度与目标二维边界框A的长度相同。
需要说明的是,上述仅为泊车位检测装置获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息的一种可行的实施方式,泊车位检测装置还可以通过其他可行的实施方式获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,在此不作限定。
可见,在本示例中,基于目标二维边界框与其对应的泊车位关键点集合匹配的数量,采用不同的方式获得该目标二维边界框对应的目标车辆在当前时刻的垂直或平行车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,泊车位检测装置根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,包括:
若目标二维边界框B与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则泊车位检测装置根据两个入口边关键点、目标二维边界框B对应的泊车位旋转角度和目标二维边界框B的长度获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的三个关键点匹配,则泊车位检测装置将三个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点匹配,则泊车位检测装置将四个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息。
可选的,泊车位检测装置根据两个入口边关键点、目标二维边界框B对应的泊车位旋转角度和目标二维边界框B的长度获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,包括:
泊车位检测装置对两个入口边关键点进行连接,得到第二待连接入口边;
泊车位检测装置以两个入口边关键点分别为端点,作角度为目标二维边界框B对应的泊车位旋转角度且长度为目标二维边界框B的长度的线段,得到两个第二待连接车位边;
泊车位检测装置将第二待连接入口边和两个第二待连接车位边构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息。
举例来说,如图2F所示,图2F是本申请实施例提供的一种斜向车位的示意图,该斜向车位包括入口边关键点K1和入口边关键点K2,该斜向车位包括的两条车位边中的任何一条车位边与入口边的夹角为目标二维边界框B对应的泊车位旋转角度α,该斜向车位包括的另一条车位边与入口边平行,该斜向车位的长度与目标二维边界框B的长度相同。
需要说明的是,上述仅为泊车位检测装置获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息的一种可行的实施方式,泊车位检测装置还可以通过其他可行的实施方式获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,在此不作限定。
进一步的,方法还包括:
若目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点均不匹配,则泊车位检测装置不执行任何操作。
泊车位检测装置不执行任何操作,换句话说,泊车位检测装置确定目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息为空。
可见,在本示例中,基于目标二维边界框与其对应的泊车位关键点集合匹配的数量,采用不同的方式获得该目标二维边界框对应的目标车辆在当前时刻的斜向车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。
在一些可能的实施例中,方法还包括:
泊车位检测装置获得目标车辆从当前时刻至与当前时刻相邻的下一时刻的行驶数据;
泊车位检测装置根据行驶数据对N个目标泊车位信息进行位置更新,得到位置更新后的N个目标泊车位信息;
泊车位检测装置获得目标车辆在与当前时刻相邻的下一时刻的M个目标泊车位信息,M为大于等于1的整数;
若目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,则泊车位检测装置将目标泊车位信息C对应的车位状态设置为新增车位,目标泊车位信息C为M个目标泊车位信息中的任意一个;或者,
若目标泊车位信息D与位置更新后的N个目标泊车位信息中的其中一个匹配,则泊车位检测装置将目标泊车位信息D对应的车位状态设置为原有车位,目标泊车位信息D为M个目标泊车位信息中的任意一个。
行驶数据可以包括行驶距离。
可选的,泊车位检测装置根据行驶数据对目标泊车位信息进行位置更新,得到位置更新后的目标泊车位信息,包括:
泊车位检测装置根据目标泊车位信息获取泊车位F在目标车辆在当前时刻的坐标系下的位置;
泊车位检测装置根据泊车位F在目标车辆在当前时刻的坐标系下的位置和行驶距离获得泊车位F在目标车辆在与当前时刻相邻的下一时刻的坐标系下的位置;
泊车位检测装置将泊车位F在目标车辆在与当前时刻相邻的下一时刻的坐标系下的位置确定为位置更新后的目标泊车位信息。
在目标车辆直线行驶的情况下,如果泊车位F在目标车辆在当前时刻的坐标系下的位置包括(a5,b5)、(a6,b6)、(a7,b7)和(a8,b8),且行驶距离为d,那么泊车位F在目标车辆在与当前时刻相邻的下一时刻的坐标系下的位置包括(a5-d+d’,b5-d+d’)、(a6-d+d’,b6-d+d’)、(a7-d+d’,b7-d+d’)和(a8-d+d’,b8-d+d’);其中,d’可以是预先设置的,换句话说,专业人员可以基于历史测量数据对d’进行人为设置。
需要说明的是,上述仅为泊车位检测装置获得位置更新后的泊车位信息的一种可行的实施方式,泊车位检测装置还可以通过其他可行的实施方式获得位置更新后的目标泊车位信息,在此不作限定。
目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,换句话说,目标泊车位信息C包括的泊车位是泊车位检测装置新检测到的。
目标泊车位信息C与位置更新后的N个目标泊车位信息中的其中一个匹配,换句话说,目标泊车位信息C包括的泊车位是泊车位检测装置之前检测到的。
进一步的,方法还包括:
在泊车位检测装置进行车位跟踪的过程中,若泊车位G在预设时长内未被检测到,则泊车位检测装置删除泊车位G,泊车位G为被泊车位检测装置检测到的泊车位。
预设时长可以是预先设置的,比如预设时长可以是与当前时刻相邻的下一时刻与当前时刻的差值的三倍。
可见,在本示例中,如果目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,那么将目标泊车位信息C对应的车位状态设置为新增车位;如果目标泊车位信息D与位置更新后的N个目标泊车位信息中的其中一个匹配,那么将目标泊车位信息D对应的车位状态设置为原有车位,这样实现了在停车场行驶的自动驾驶车辆进行泊车位跟踪。除此之外,将预设时长内未被检测到的泊车位删除,从而控制跟踪的泊车位数量保持在合理数量范围内,提高在停车场行驶的自动驾驶车辆进行泊车位跟踪的效率。
请参见图3A,图3A是本申请实施例提供的一种自动泊车入库方法,该自动泊车入库方法包括步骤301-310,具体如下:
301、感知模块获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆。
步骤301可参见上述步骤201的描述,在此不再叙述。
302、感知模块将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数。
步骤302可参见上述步骤202的描述,在此不再叙述。
303、感知模块根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息。
步骤303可参见上述步骤203的描述,在此不再叙述。
304、感知模块根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
泊车位类型可以包括未占用垂直车位、占用垂直车位、未占用平行车位、占用平行车位、未占用斜向车位、占用斜向车位。
步骤304可参见上述步骤204的描述,在此不再叙述。
305、感知模块将N个目标泊车位信息发送至数据融合中心。
306、规划决策模块向数据融合中心发送泊车位信息请求,泊车位信息请求用于指示数据融合中心反馈其存储的一个或多个泊车位信息。
307、数据融合中心接收规划决策模块发送的泊车位信息请求,以及向决策规划模块发送N个目标泊车位信息。
308、决策规划模块接收数据融合中心发送的N个目标泊车位信息,以及根据N个目标泊车位信息获得目标车辆自动泊车入库的车辆行驶路线。
可选的,决策规划模块根据N个目标泊车位信息获得目标车辆自动泊车入库的车辆行驶路线,包括:
决策规划模块根据N个目标泊车位信息获取一个或多个未占用车位以及一个或多个泊车位位置,一个或多个泊车位位置与一个或多个未占用车位一一对应;
决策规划模块将一个或多个未占用车位中的任意一个确定为目标车辆自动泊车入库所停放的车位;
决策规划模块根据目标车辆自动泊车入库所停放的车位对应的泊车位位置和预存的路径规划算法获得目标车辆自动泊车入库的车辆行驶路线。
需要说明的是,上述仅为决策规划模块获得目标车辆自动泊车入库的车辆行驶路线的一种可行的实施方式,决策规划模块还可以通过其他可行的实施方式获得目标车辆自动泊车入库的车辆行驶路线,在此不作限定。
309、决策规划模块向控制模块发送车辆行驶路线。
310、控制模块接收决策规划模块发送的车辆行驶路线,以及根据车辆行驶路线执行自动泊车入库操作。
可以看出,在本申请实施例中,基于N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息,基于N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。决策规划模块基于N个目标泊车位信息获得目标车辆自动泊车入库的车辆行驶路线,以使得控制模块基于车辆行驶路线执行自动泊车入库操作,这样实现了提高辅助自动代客泊车的过程中泊车位的感知精度。
请参见图3B,图3B是本申请实施例提供的一种自动驾驶地图的构建方法,该自动驾驶地图的构建方法包括步骤311-318,具体如下:
311、感知模块获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆。
步骤311可参见上述步骤201的描述,在此不再叙述。
312、感知模块将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数。
步骤312可参见上述步骤202的描述,在此不再叙述。
313、感知模块根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息。
步骤313可参见上述步骤203的描述,在此不再叙述。
314、感知模块根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
步骤314可参见上述步骤204的描述,在此不再叙述。
315、感知模块将N个目标泊车位信息发送至数据融合中心。
316、地图模块向数据融合中心发送泊车位信息请求,泊车位信息请求用于指示数据融合中心反馈其存储的一个或多个泊车位信息。
317、数据融合中心接收地图模块发送的泊车位信息请求,以及向地图模块发送N个目标泊车位信息。
318、地图模块接收数据融合中心发送的N个目标泊车位信息,以及根据N个目标泊车位信息构建自动驾驶地图。
可选的,地图模块根据N个目标泊车位信息构建自动驾驶地图,包括:
地图模块根据N个目标泊车位信息获得N个目标泊车位信息包括的N个泊车位中的每个泊车位在预存的停车场坐标系下的位置;
地图模块根据N个泊车位中的每个泊车位在停车场坐标系下的位置和预存的停车场地图构建自动驾驶地图。
需要说明的是,上述仅为地图模块构建自动驾驶地图的一种可行的实施方式,地图模块还可以通过其他可行的实施方式构建自动驾驶地图,在此不作限定。
可以看出,在本申请实施例中,基于N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息,基于N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。由于神经网络模型输出了泊车位的关键信息和语义信息,因此有助于提高泊车位检测的准确性。除此之外,在基于泊车位的关键信息和语义信息生成一个或多个目标泊车位信息的过程中降低了后处理的复杂度,极大的提高泊车位检测的效率。地图模块基于N个目标泊车位信息构建自动驾驶地图,这样实现了提高辅助自动代客泊车的过程中绘制地图的效率。
请参见图4,图4是本申请实施例提供的一种泊车位检测装置的功能单元组成框图,该泊车位检测装置400包括获得单元410,其中:
获得单元410,用于获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆;
获得单元410,还用于将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数;
获得单元410,还用于根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息;
获得单元410,还用于根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
在一些可能的实施方式中,N组泊车位数据包括N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度,N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度分别与N组泊车位数据一一对应,在根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息方面,获得单元410具体用于:
根据N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度获得目标车辆在当前时刻的N个初始二维边界框,N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度分别与N个初始二维边界框一一对应;
根据N个初始二维边界框、N个泊车位旋转角度和预存的旋转矩阵获得N个目标二维边界框,N个目标二维边界框为目标车辆在当前时刻的N个初始泊车位信息,N个初始二维边界框和N个泊车位旋转角度分别与N个目标二维边界框一一对应。
在一些可能的实施方式中,在根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息方面,获得单元410具体用于:
获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合;
获得与每个目标二维边界框对应的泊车位类型;
若目标二维边界框A对应的泊车位类型为垂直车位或平行车位,则根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框A为N个目标二维边界框中的任意一个;或者,
若目标二维边界框B对应的泊车位类型为斜向车位,则根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框B为N个目标二维边界框中的任意一个。
在一些可能的实施方式中,在根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息方面,获得单元410具体用于:
若目标二维边界框A与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据两个入口边关键点和目标二维边界框A的长度获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的三个关键点匹配,则将三个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点匹配,则将四个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点均不匹配,则将目标二维边界框A确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息。
在一些可能的实施方式中,在根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息方面,获得单元410具体用于:
若目标二维边界框B与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据两个入口边关键点、目标二维边界框B对应的泊车位旋转角度和目标二维边界框B的长度获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的三个关键点匹配,则将三个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点匹配,则将四个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息。
在一些可能的实施方式中,
获得单元410,还用于获得目标车辆从当前时刻至与当前时刻相邻的下一时刻的行驶数据;
获得单元410,还用于根据行驶数据对N个目标泊车位信息进行位置更新,得到位置更新后的N个目标泊车位信息;
获得单元410,还用于获得目标车辆在与当前时刻相邻的下一时刻的M个目标泊车位信息,M为大于等于1的整数;
获得单元410,还用于若目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,则将目标泊车位信息C对应的车位状态设置为新增车位,目标泊车位信息C为M个目标泊车位信息中的任意一个;或者,若目标泊车位信息D与位置更新后的N个目标泊车位信息中的其中一个匹配,则将目标泊车位信息D对应的车位状态设置为原有车位,目标泊车位信息D为M个目标泊车位信息中的任意一个。
请参见图5,图5是本申请实施例提供的一种泊车位检测装置的结构示意图,该泊车位检测装置500包括相互耦合的存储器510、通信接口520和处理器530;例如存储器510、通信接口520和处理器530通过总线540耦合。
存储器510可包括但不限于随机存储记忆体(Random Access Memory,RAM)、可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)、只读存储器(Read-OnlyMemory,ROM)或便携式只读存储器(Compact Disc Read-Only Memory,CD-ROM)等等,该存储器510用于相关指令及数据。
处理器530可以是一个或多个中央处理器(Central Processing Unit,CPU),在处理器530是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
处理器530用于读取存储器510中存储的程序代码,与通信接口520配合执行本申请上述实施例中由泊车位检测装置500执行的方法的部分或全部步骤。
处理器530,用于获得目标车辆在当前时刻的第一鱼眼拼接图像,目标车辆为在停车场行驶的自动驾驶车辆;
处理器530,还用于将第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,N个泊车位关键点集合和N个泊车位类型分别与N组泊车位数据一一对应,N为大于等于1的整数;
处理器530,还用于根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息;
处理器530,还用于根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息。
在一些可能的实施例中,在N组泊车位数据包括N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度,N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度分别与N组泊车位数据一一对应,根据N组泊车位数据获得目标车辆在当前时刻的N个初始泊车位信息方面,处理器530具体用于:
根据N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度获得目标车辆在当前时刻的N个初始二维边界框,N个泊车位中心点坐标、N个泊车位长度和N个泊车位宽度分别与N个初始二维边界框一一对应;
根据N个初始二维边界框、N个泊车位旋转角度和预存的旋转矩阵获得N个目标二维边界框,N个目标二维边界框为目标车辆在当前时刻的N个初始泊车位信息,N个初始二维边界框和N个泊车位旋转角度分别与N个目标二维边界框一一对应。
在一些可能的实施例中,在根据N个泊车位关键点集合和N个泊车位类型对N个初始泊车位信息进行校正,得到目标车辆在当前时刻的N个目标泊车位信息方面,处理器530具体用于:
获得与N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合;
获得与每个目标二维边界框对应的泊车位类型;
若目标二维边界框A对应的泊车位类型为垂直车位或平行车位,则根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框A为N个目标二维边界框中的任意一个;或者,
若目标二维边界框B对应的泊车位类型为斜向车位,则根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息,目标二维边界框B为N个目标二维边界框中的任意一个。
在一些可能的实施例中,在根据目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息方面,处理器530具体用于:
若目标二维边界框A与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据两个入口边关键点和目标二维边界框A的长度获得目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的三个关键点匹配,则将三个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点匹配,则将四个关键点构成的矩形确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点均不匹配,则将目标二维边界框A确定为目标二维边界框A对应的目标车辆在当前时刻的目标泊车位信息。
在一些可能的实施例中,在根据目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息方面,处理器530具体用于:
若目标二维边界框B与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据两个入口边关键点、目标二维边界框B对应的泊车位旋转角度和目标二维边界框B的长度获得目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的三个关键点匹配,则将三个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息;或者,
若目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点匹配,则将四个关键点构成的平行四边形确定为目标二维边界框B对应的目标车辆在当前时刻的目标泊车位信息。
在一些可能的实施例中,
处理器530,还用于获得目标车辆从当前时刻至与当前时刻相邻的下一时刻的行驶数据;
处理器530,还用于根据行驶数据对N个目标泊车位信息进行位置更新,得到位置更新后的N个目标泊车位信息;
处理器530,还用于获得目标车辆在与当前时刻相邻的下一时刻的M个目标泊车位信息,M为大于等于1的整数;
处理器530,还用于若目标泊车位信息C与位置更新后的N个目标泊车位信息均不匹配,则将目标泊车位信息C对应的车位状态设置为新增车位,目标泊车位信息C为M个目标泊车位信息中的任意一个;或者,若目标泊车位信息D与位置更新后的N个目标泊车位信息中的其中一个匹配,则将目标泊车位信息D对应的车位状态设置为原有车位,目标泊车位信息D为M个目标泊车位信息中的任意一个。
本申请实施例还提供一种计算机可读存储介质,存储有计算机指令,计算机程序被硬件(例如处理器等)执行以实现本申请实施例中由泊车位检测装置执行的任意一种方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,当计算机程序产品在计算机或处理器上运行时,使得计算机或处理器执行以上各方面的泊车位检测方法的部分或全部步骤。
请参见图6,图6是本申请实施例提供的一种芯片系统的结构示意图,芯片系统600可包括:处理器610,以及耦合于处理器610的一个或多个接口620。示例性的:
处理器610可用于读取和执行计算机可读指令。具体实现中,处理器610可主要包括控制器、运算器和寄存器。示例性的,控制器主要负责指令译码,并为指令对应的操作发出控制信号。运算器主要负责执行定点或浮点算数运算操作、移位操作以及逻辑操作等,也可以执行地址运算和转换。寄存器主要负责保存指令执行过程中临时存放的寄存器操作数和中间操作结果等。具体实现中,处理器610的硬件架构可以是专用集成电路(applicationspecific integrated circuits,ASIC)架构、无互锁管道阶段架构的微处理器(microprocessor without interlocked piped stages architecture,MIPS)架构、进阶精简指令集机器(advanced RISC machines,ARM)架构或者NP架构等等。处理器610可以是单核的,也可以是多核的。
示例性的,接口620可用于输入待处理的数据至处理器610,并且可以向外输出处理器610的处理结果。具体实现中,接口620可以是通用输入输出(general purpose inputoutput,GPIO)接口,可以和多个外围设备(如显示器(LCD)、摄像头(camara)、射频(radiofrequency,RF)模块等等)连接。接口620通过总线630与处理器610相连。
在一些可能的实施例中,处理器610可用于从存储器中调用本申请的一个或多个实施例提供的泊车位检测方法、自动泊车入库方法和自动驾驶地图的构建方法在网络设备或终端设备侧的实现程序或者数据,使得该芯片可以实现前述图2A所示的泊车位检测方法、图3A所示的自动泊车入库方法和图3B所示的自动驾驶地图的构建方法。存储器可以和处理器610集成在一起,也可以通过接口620与芯片系统600相耦合,也就是说存储器可以是芯片系统600的一部分,也可以独立于该芯片系统600。接口620可用于输出处理器610的执行结果。本申请中,接口620可具体用于输出处理器610的译码结果。关于本申请的一个或多个实施例提供的泊车位检测方法可参考前述各个实施例,这里不再赘述。
在上述实施例中,全部或部分功能可以通过软件、硬件、或者软件加硬件的组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (15)
1.一种泊车位检测方法,其特征在于,包括:
获得目标车辆在当前时刻的第一鱼眼拼接图像,所述目标车辆为在停车场行驶的自动驾驶车辆;
将所述第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,所述N个泊车位关键点集合和所述N个泊车位类型分别与所述N组泊车位数据一一对应,所述N为大于等于1的整数;
根据所述N组泊车位数据获得所述目标车辆在所述当前时刻的N个初始泊车位信息;
根据所述N个泊车位关键点集合和所述N个泊车位类型对所述N个初始泊车位信息进行校正,得到所述目标车辆在所述当前时刻的N个目标泊车位信息。
2.根据权利要求1所述的方法,其特征在于,所述N组泊车位数据包括N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度,所述N个泊车位中心点坐标、所述N个泊车位长度、所述N个泊车位宽度和所述N个泊车位旋转角度分别与所述N组泊车位数据一一对应,所述根据所述N组泊车位数据获得所述目标车辆在所述当前时刻的N个初始泊车位信息,包括:
根据所述N个泊车位中心点坐标、所述N个泊车位长度和所述N个泊车位宽度获得所述目标车辆在所述当前时刻的N个初始二维边界框,所述N个泊车位中心点坐标、所述N个泊车位长度和所述N个泊车位宽度分别与所述N个初始二维边界框一一对应;
根据所述N个初始二维边界框、所述N个泊车位旋转角度和预存的旋转矩阵获得N个目标二维边界框,所述N个目标二维边界框为所述目标车辆在所述当前时刻的N个初始泊车位信息,所述N个初始二维边界框和所述N个泊车位旋转角度分别与所述N个目标二维边界框一一对应。
3.根据权利要求2所述的方法,其特征在于,所述根据所述N个泊车位关键点集合和所述N个泊车位类型对所述N个初始泊车位信息进行校正,得到所述目标车辆在所述当前时刻的N个目标泊车位信息,包括:
获得与所述N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合;
获得与所述每个目标二维边界框对应的泊车位类型;
若目标二维边界框A对应的泊车位类型为垂直车位或平行车位,则根据所述目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息,所述目标二维边界框A为所述N个目标二维边界框中的任意一个;或者,
若目标二维边界框B对应的泊车位类型为斜向车位,则根据所述目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息,所述目标二维边界框B为所述N个目标二维边界框中的任意一个。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息,包括:
若所述目标二维边界框A与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据所述两个入口边关键点和所述目标二维边界框A的长度获得所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框A与其对应的泊车位关键点集合包括的三个关键点匹配,则将所述三个关键点构成的矩形确定为所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点匹配,则将所述四个关键点构成的矩形确定为所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点均不匹配,则将所述目标二维边界框A确定为所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息。
5.根据权利要求3所述的方法,其特征在于,所述根据所述目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息,包括:
若所述目标二维边界框B与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据所述两个入口边关键点、所述目标二维边界框B对应的泊车位旋转角度和所述目标二维边界框B的长度获得所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框B与其对应的泊车位关键点集合包括的三个关键点匹配,则将所述三个关键点构成的平行四边形确定为所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点匹配,则将所述四个关键点构成的平行四边形确定为所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
获得所述目标车辆从所述当前时刻至与所述当前时刻相邻的下一时刻的行驶数据;
根据所述行驶数据对所述N个目标泊车位信息进行位置更新,得到位置更新后的N个目标泊车位信息;
获得所述目标车辆在所述与所述当前时刻相邻的下一时刻的M个目标泊车位信息,所述M为大于等于1的整数;
若目标泊车位信息C与所述位置更新后的N个目标泊车位信息均不匹配,则将所述目标泊车位信息C对应的车位状态设置为新增车位,所述目标泊车位信息C为所述M个目标泊车位信息中的任意一个;或者,
若目标泊车位信息D与所述位置更新后的N个目标泊车位信息中的其中一个匹配,则将所述目标泊车位信息D对应的车位状态设置为原有车位,所述目标泊车位信息D为所述M个目标泊车位信息中的任意一个。
7.一种泊车位检测装置,其特征在于,包括:
获得单元,用于获得目标车辆在当前时刻的第一鱼眼拼接图像,所述目标车辆为在停车场行驶的自动驾驶车辆;
所述获得单元,还用于将所述第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,所述N个泊车位关键点集合和所述N个泊车位类型分别与所述N组泊车位数据一一对应,所述N为大于等于1的整数;
所述获得单元,还用于根据所述N组泊车位数据获得所述目标车辆在所述当前时刻的N个初始泊车位信息;
所述获得单元,还用于根据所述N个泊车位关键点集合和所述N个泊车位类型对所述N个初始泊车位信息进行校正,得到所述目标车辆在所述当前时刻的N个目标泊车位信息。
8.根据权利要求7所述的装置,其特征在于,所述N组泊车位数据包括N个泊车位中心点坐标、N个泊车位长度、N个泊车位宽度和N个泊车位旋转角度,所述N个泊车位中心点坐标、所述N个泊车位长度、所述N个泊车位宽度和所述N个泊车位旋转角度分别与所述N组泊车位数据一一对应,在根据所述N组泊车位数据获得所述目标车辆在所述当前时刻的N个初始泊车位信息方面,所述获得单元具体用于:
根据所述N个泊车位中心点坐标、所述N个泊车位长度和所述N个泊车位宽度获得所述目标车辆在所述当前时刻的N个初始二维边界框,所述N个泊车位中心点坐标、所述N个泊车位长度和所述N个泊车位宽度分别与所述N个初始二维边界框一一对应;
根据所述N个初始二维边界框、所述N个泊车位旋转角度和预存的旋转矩阵获得N个目标二维边界框,所述N个目标二维边界框为所述目标车辆在所述当前时刻的N个初始泊车位信息所述N个初始二维边界框和所述N个泊车位旋转角度分别与所述N个目标二维边界框一一对应。
9.根据权利要求8所述的装置,其特征在于,在根据所述N个泊车位关键点集合和所述N个泊车位类型对所述N个初始泊车位信息进行校正,得到所述目标车辆在所述当前时刻的N个目标泊车位信息方面,所述获得单元具体用于:
获得与所述N个目标二维边界框中的每个目标二维边界框对应的泊车位关键点集合;
获得与所述每个目标二维边界框对应的泊车位类型;
若目标二维边界框A对应的泊车位类型为垂直车位或平行车位,则根据所述目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息,所述目标二维边界框A为所述N个目标二维边界框中的任意一个;或者,
若目标二维边界框B对应的泊车位类型为斜向车位,则根据所述目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息,所述目标二维边界框B为所述N个目标二维边界框中的任意一个。
10.根据权利要求9所述的装置,其特征在于,在根据所述目标二维边界框A和其对应的泊车位关键点集合进行垂直-平行车位后处理,得到所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息方面,所述获得单元具体用于:
若所述目标二维边界框A与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据所述两个入口边关键点和所述目标二维边界框A的长度获得所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框A与其对应的泊车位关键点集合包括的三个关键点匹配,则将所述三个关键点构成的矩形确定为所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点匹配,则将所述四个关键点构成的矩形确定为所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框A与其对应的泊车位关键点集合包括的四个关键点均不匹配,则将所述目标二维边界框A确定为所述目标二维边界框A对应的所述目标车辆在所述当前时刻的目标泊车位信息。
11.根据权利要求9所述的装置,其特征在于,在根据所述目标二维边界框B和其对应的泊车位关键点集合进行斜向车位后处理,得到所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息方面,所述获得单元具体用于:
若所述目标二维边界框B与其对应的泊车位关键点集合包括的两个入口边关键点匹配,则根据所述两个入口边关键点、所述目标二维边界框B对应的泊车位旋转角度和所述目标二维边界框B的长度获得所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框B与其对应的泊车位关键点集合包括的三个关键点匹配,则将所述三个关键点构成的平行四边形确定为所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息;或者,
若所述目标二维边界框B与其对应的泊车位关键点集合包括的四个关键点匹配,则将所述四个关键点构成的平行四边形确定为所述目标二维边界框B对应的所述目标车辆在所述当前时刻的目标泊车位信息。
12.根据权利要求10或11所述的装置,其特征在于,
所述获得单元,还用于获得所述目标车辆从所述当前时刻至与所述当前时刻相邻的下一时刻的行驶数据;
所述获得单元,还用于根据所述行驶数据对所述N个目标泊车位信息进行位置更新,得到位置更新后的N个目标泊车位信息;
所述获得单元,还用于获得所述目标车辆在所述与所述当前时刻相邻的下一时刻的M个目标泊车位信息,所述M为大于等于1的整数;
所述获得单元,还用于若目标泊车位信息C与所述位置更新后的N个目标泊车位信息均不匹配,则将所述目标泊车位信息C对应的车位状态设置为新增车位,所述目标泊车位信息C为所述M个目标泊车位信息中的任意一个;或者,若目标泊车位信息D与所述位置更新后的N个目标泊车位信息中的其中一个匹配,则将所述目标泊车位信息D对应的车位状态设置为原有车位,所述目标泊车位信息D为所述M个目标泊车位信息中的任意一个。
13.一种泊车位检测装置,其特征在于,所述装置包括相互耦合的处理器、通信接口和存储器,其中:
所述处理器,用于获得目标车辆在当前时刻的第一鱼眼拼接图像,所述目标车辆为在停车场行驶的自动驾驶车辆;
所述处理器,还用于将所述第一鱼眼拼接图像输入神经网络模型中进行处理,输出N组泊车位数据、N个泊车位关键点集合和N个泊车位类型,所述N个泊车位关键点集合和所述N个泊车位类型分别与所述N组泊车位数据一一对应,所述N为大于等于1的整数;
所述处理器,还用于根据所述N组泊车位数据获得所述目标车辆在所述当前时刻的N个初始泊车位信息;
所述处理器,还用于根据所述N个泊车位关键点集合和所述N个泊车位类型对所述N个初始泊车位信息进行校正,得到所述目标车辆在所述当前时刻的N个目标泊车位信息。
14.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被硬件执行以实现权利要求1至6任一项由泊车位检测装置执行的方法。
15.一种芯片系统,其特征在于,所述芯片系统包括处理器,用于支持泊车位检测装置实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329206.4A CN113553881A (zh) | 2020-04-23 | 2020-04-23 | 泊车位检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329206.4A CN113553881A (zh) | 2020-04-23 | 2020-04-23 | 泊车位检测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113553881A true CN113553881A (zh) | 2021-10-26 |
Family
ID=78101256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010329206.4A Pending CN113553881A (zh) | 2020-04-23 | 2020-04-23 | 泊车位检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553881A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114852060A (zh) * | 2022-05-23 | 2022-08-05 | 广州小鹏自动驾驶科技有限公司 | 泊车控制方法、泊车控制装置、车辆和存储介质 |
CN115565158A (zh) * | 2022-11-17 | 2023-01-03 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800658A (zh) * | 2018-12-26 | 2019-05-24 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的泊车位类型在线识别与定位系统及方法 |
CN109814115A (zh) * | 2019-01-16 | 2019-05-28 | 杭州湘滨电子科技有限公司 | 一种垂直泊车的角度识别校正方法 |
CN110807949A (zh) * | 2018-08-06 | 2020-02-18 | 上海汽车集团股份有限公司 | 一种泊车车位的检测方法及装置 |
-
2020
- 2020-04-23 CN CN202010329206.4A patent/CN113553881A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807949A (zh) * | 2018-08-06 | 2020-02-18 | 上海汽车集团股份有限公司 | 一种泊车车位的检测方法及装置 |
CN109800658A (zh) * | 2018-12-26 | 2019-05-24 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的泊车位类型在线识别与定位系统及方法 |
CN109814115A (zh) * | 2019-01-16 | 2019-05-28 | 杭州湘滨电子科技有限公司 | 一种垂直泊车的角度识别校正方法 |
Non-Patent Citations (1)
Title |
---|
LIN ZHANG 等: "Vision-Based Parking-Slot Detection: A DCNN-Based Approach and a Large-Scale", IEEE TRANSACTIONS ON IMAGE PROCESSING, vol. 27, no. 11, 30 November 2018 (2018-11-30), pages 5350 - 5364, XP011688832, DOI: 10.1109/TIP.2018.2857407 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114852060A (zh) * | 2022-05-23 | 2022-08-05 | 广州小鹏自动驾驶科技有限公司 | 泊车控制方法、泊车控制装置、车辆和存储介质 |
WO2023226268A1 (zh) * | 2022-05-23 | 2023-11-30 | 广州小鹏自动驾驶科技有限公司 | 泊车控制方法、泊车控制装置、车辆和存储介质 |
CN114852060B (zh) * | 2022-05-23 | 2024-04-09 | 广州小鹏汽车科技有限公司 | 泊车控制方法、泊车控制装置、车辆和存储介质 |
CN115565158A (zh) * | 2022-11-17 | 2023-01-03 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3627180B1 (en) | Sensor calibration method and device, computer device, medium, and vehicle | |
US20220412770A1 (en) | Map construction method for autonomous driving and related apparatus | |
US20210221361A1 (en) | Automatic parking method and apparatus, electronic device, and storage medium | |
CN111209978B (zh) | 三维视觉重定位方法、装置及计算设备、存储介质 | |
CN111813101B (zh) | 机器人路径规划方法、装置、终端设备及存储介质 | |
CN112001986B (zh) | 虚拟车道的生成方法、装置以及电子设备和存储介质 | |
CN112595337B (zh) | 避障路径规划方法、装置、电子装置、车辆及存储介质 | |
US20210323544A1 (en) | Method and apparatus for vehicle driving assistance | |
CN111986261B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
CN111158365A (zh) | 一种路径规划方法、装置、机器人及存储介质 | |
CN111401255B (zh) | 用于识别分歧路口的方法和装置 | |
CN113553881A (zh) | 泊车位检测方法及相关装置 | |
US20230351686A1 (en) | Method, device and system for cooperatively constructing point cloud map | |
CN115540894B (zh) | 车辆轨迹规划方法、装置、电子设备和计算机可读介质 | |
KR20210061971A (ko) | 차량용 장애물 회피 방법, 장치, 전자 기기 및 컴퓨터 저장 매체 | |
CN113442908B (zh) | 自动泊车路径规划方法及系统、泊车控制设备 | |
CN113705305A (zh) | 导航信息展示方法、车道线追踪方法、装置及存储介质 | |
CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
CN117601850A (zh) | 机动车记忆泊车定位与纠偏方法、装置及可读存储介质 | |
JP2019188958A (ja) | 駐車支援装置 | |
CN115908498B (zh) | 一种基于类别最优匹配的多目标跟踪方法及装置 | |
CN115468578B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN116664691A (zh) | 车载相机的外参标定方法、装置、设备、车辆及介质 | |
CN114842435A (zh) | 一种目标车辆的确定方法、装置、电子设备及存储介质 | |
CN117315034B (zh) | 横坡车位坐标的确定方法、装置、计算机设备及存储介质 |
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 |