CN114067598A - 确定空闲车位的方法、装置 - Google Patents

Abstract

本发明涉及一种确定空闲车位的方法，其特征在于，所述方法包括：获取车辆周围的环境图像；对所述环境图像进行视觉检测和神经网络检测确定备选车位位置；对所述环境图像通过神经网络检测确定车辆位置；以及根据所述备选车位位置和所述车辆位置确定是否存在空闲车位。

Description

确定空闲车位的方法、装置

技术领域

本发明涉及辅助/自动驾驶领域，具体而言，涉及自动泊车车位检测领域。更具体地，涉及一种涉及基于视觉融合的确定空闲车位的方法以及确定空闲车位的装置。

背景技术

随着中国经济的发展，国内的汽车保有量逐年增加，人们出行得到了极大改善，但是停车难问题也日益凸显。自动泊车技术通过车载传感器检测车辆周边的空闲车位，自主地控制车辆完成泊车任务，能够较大地减轻停车不方便给驾驶人员所带来的困扰。泊车传感器分为超声波雷达和摄像头两大类，基于超声波传感器的自动泊车技术较为成熟，现有的已配备自动泊车功能的量产车辆主要采用超声波雷达感知车位；基于摄像头传感器的自动泊车技术仍处在试验开发阶段，相关的技术研究有待进一步完善。

发明内容

为了精确、高效地检测可用车位，本发明提出了一种基于视觉融合的确定空闲车位的机制，具体而言：

根据本发明的一方面，提供一种确定空闲车位的方法，其包括：获取车辆周围的环境图像；对所述环境图像进行视觉检测和神经网络检测确定备选车位位置；对所述环境图像通过神经网络检测确定车辆位置；以及根据所述备选车位位置和所述车辆位置确定是否存在空闲车位。

可选地，在本发明的一些实施例中，对所述环境图像进行视觉检测和神经网络检测确定备选车位位置包括：对所述环境图像进行视觉检测确定第一车位位置；对所述环境图像神经网络检测确定第二车位位置；以及根据所述第一车位位置和所述第二车位位置确定所述备选车位位置。

可选地，在本发明的一些实施例中，对所述环境图像进行视觉检测确定第一车位位置包括：将所述环境图像进行灰度处理以获得灰度图像；对所述灰度图像进行边缘检测以提取边缘信息；从所述边缘信息中确定备选车位线；以及根据所述备选车位线确定所述第一车位位置。

可选地，在本发明的一些实施例中，对所述环境图像神经网络检测确定第二车位位置包括：通过神经网络确定所述环境图像中的角点；以及基于所述角点确定所述第二车位位置。

可选地，在本发明的一些实施例中，根据所述备选车位位置和所述车辆位置确定是否存在空闲车位包括：根据所述备选车位位置与所述车辆位置的重合度确定备选车位是否为空闲车位。

根据本发明的另一方面，提供一种确定空闲车位的装置，其包括：摄像头，其配置成获取车辆周围的环境图像；车位检测处理单元，其配置成：对所述环境图像进行视觉检测和神经网络检测确定备选车位位置；对所述环境图像通过神经网络检测确定车辆位置；以及根据所述备选车位位置和所述车辆位置确定是否存在空闲车位。

可选地，在本发明的一些实施例中，所述车位检测处理单元包括车位框筛选模块，并且所述车位检测处理单元配置成：对所述环境图像进行视觉检测确定第一车位位置；以及对所述环境图像神经网络检测确定第二车位位置；以及所述车位框筛选模块被配置成根据所述第一车位位置和所述第二车位位置确定所述备选车位位置。

可选地，在本发明的一些实施例中，所述车位检测处理单元包括：灰度化处理模块，其配置成将所述环境图像进行灰度处理以获得灰度图像；边缘检测模块，其配置成对所述灰度图像进行边缘检测以提取边缘信息；图像线检测模块，其配置成从所述边缘信息中确定备选车位线；以及所述车位框筛选模块被配置成根据所述备选车位线确定所述第一车位位置。

可选地，在本发明的一些实施例中，所述车位检测处理单元还包括角点检测模块，其配置成通过神经网络确定所述环境图像中的角点；以及所述车位框筛选模块被配置成基于所述角点确定所述第二车位位置。

可选地，在本发明的一些实施例中，所述车位检测处理单元还包括空闲车位判定模块，其配置成根据所述备选车位位置与所述车辆位置的重合度确定备选车位是否为空闲车位。

根据本发明的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令由处理器执行时，使得所述处理器执行如上文所述的任意一种方法。

附图说明

从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。

图1示出了根据本发明的一个实施例的确定空闲车位的方法。

图2示出了根据本发明的一个实施例的确定空闲车位的方法。

图3示出了根据本发明的一个实施例的确定空闲车位的装置。

具体实施方式

现有的基于摄像头传感器的自动泊车技术主要使用单一的检测方法，即采用传统的视觉检测方法对车位线进行检测，极少使用神经网络车位检测方法。传统的视觉检测方法受光照条件、阴影遮挡、背景材质等因素影响较大，相应地，其检测性能鲁棒性较差。现有技术对车位空闲状态的判定要依赖于其他传感器的感知信息，或使用超声波传感器探测车位是否有车辆，或使用预埋磁传感器探测车位是否有车辆，因而会涉及多个处理单元之间的信号交互，整体系统结构相对复杂。

根据本发明的一方面，提供一种确定空闲车位的方法。如图1所示，确定空闲车位的方法10包括了如下步骤：在步骤102中获取图像；在步骤104中确定备选车位位置；在步骤106中确定车辆位置；以及在步骤108中进行空闲车位判定。

本发明的确定空闲车位的方法10在步骤102中获取作为停泊对象的车辆周围的环境图像。例如，在本发明的一些示例中，可以在车辆的前、后、左、右四个位置各安装一个鱼眼摄像头，四路鱼眼摄像头图像作为原始输入信号。在其他示例中，摄像头可以不是鱼眼形式的，其数量也可以不必为四。环境图像的范围可以根据实际需要以及硬件条件而选取，因而其范围可以不必特别大，但是应当至少满足可以获取到周围一定范围内与车位相关的信息，例如车位划线、车位上是否有车辆等。

在一些示例中，可以对诸如四路鱼眼摄像头获取到的图像进行鱼眼校正、透视变换、图像拼接，以形成360度环视图像供以下步骤分析、计算。

本发明的确定空闲车位的方法10在步骤104中对环境图像进行视觉检测和神经网络检测确定备选车位位置。在该步骤中，通过步骤102获取到的环境图像信号一分为二，一组可以基于传统的视觉检测来确定车位线位置，另一组可以基于神经网络检测来确定车位线位置。由此，根据该步骤可以确定备选的可被用于停泊车辆的车位位置（在本文中简称为备选车位位置），并在下文描述的步骤中进一步确定该车位上是否已经驻有车辆。因此，通过该步骤可以采用神经网络检测方法对车位进行检测，与传统的仅基于视觉检测的方法相比，本发明的方法能够有效克服不同环境因素变化的影响。此外，通过该步骤可以融合传统检测方法和神经网络检测方法的车位信息，检测结果的准确度和稳定性更好。再次，通过该步骤，本发明的方法中车辆上仅需安装诸如摄像头传感器之类的硬件，不需要加装超声波雷达传感器或者对停车场车位进行改造，因而整体的系统结构将更为简单。

本发明的确定空闲车位的方法10在步骤106中对环境图像通过神经网络检测确定车辆位置。在本发明的一些示例中，神经网络可以对诸如上面描述的360度环视图像进行检测，以检测图像中的车辆。例如，可以对采集的数据进行车辆标注，并且使用标注的图像对神经网络进行训练，使得神经网络具备车辆检测能力。此后，可以使用训练好的神经网络对360度环视图像进行车辆检测。在一些示例中，神经网络也可继续更新，例如，驾乘人员可以对实际由神经网络检测出的车辆作人工校正（例如，在误将其他物体检测为车辆的情况下，驾乘人员可以通过车机触摸屏进行校正），校正的结果可以供网络进一步用作训练。通过该步骤，本发明的机制可以共用摄像头图像信息，通过神经网络方法对图像上的车辆进行检测，并进一步用于判定车位的空闲状态，因而硬件成本低，对于批量生产而言可以大幅降低使用成本。

需要说明的是，在步骤106中神经网络有可能没有检测到车辆，在本发明的上下文中可以将这种情形定义为检测到“空”车辆，此时将车辆位置可以例如置为“空”。若出现此情形，可以将该“空”位置用于计算以便确定是否存在空闲车位，这种情形也在本发明的权利要求的保护范围之中。

本发明的确定空闲车位的方法10在步骤108中根据备选车位位置和车辆位置确定是否存在空闲车位。在该步骤中，可以根据备选车位的位置和所检测到的车辆的位置的相对关系来确定备选车位是否空闲，亦即，备选车位是否为空闲车位。例如，在一些示例中，仅当备选车位位置与所检测到的车辆位置没有任何位置上的交叠时才认为当前备选车位为空闲车位，否则当前备选车位不是空闲车位，不可用于泊车。

需要说明的是，以上步骤102-108可以循环执行，直至找到合适的空闲车位或者手动停止。当重新输入一组新的环境图像时（例如，以一定的时间间隔重新获取环境图像），以上各步骤就可以重复执行一次。

在本发明的一些实施例中，步骤106中对环境图像进行视觉检测和神经网络检测确定备选车位位置可以具体包括以下步骤。首先，可以对环境图像进行视觉检测来确定第一车位位置，此时的第一车位位置是完全基于视觉检测而获得的。其次，可以对环境图像神经网络检测来确定第二车位位置，此时的第二车位位置是完全基于神经网络检测而获得的。再次，可以根据所获得的第一车位位置和第二车位位置确定备选车位位置。例如，对得到的第一车位位置（例如，第一车位框信息）与第二车位位置（例如，第二车位框信息）进行匹配，例如，可以设定车位框位置信息匹配门限，小于门限值的车位框判定为相互关联车位框。对相互关联的车位框信息进行加权融合，保存为融合后有效车位框以作为备选车位位置。该步骤中的第一车位位置与第二车位位置的匹配可以基于坐标进行，下文中将详细描述如何获取第一车位位置与第二车位位置的坐标。

在本发明的一些实施例中，上文描述的“对环境图像进行视觉检测确定第一车位位置”的步骤可以具体包括以下步骤。首先，将环境图像进行灰度处理以获得灰度图像。由于对车位位置判断这一任务对色彩并不十分敏感，因而可以通过将原始的诸如彩色鱼眼图像转换成灰度图像来检测。其次，对灰度图像进行边缘检测以提取边缘信息，例如可以通过canny算子提取灰度图像中的边缘信息。再次，从边缘信息中确定备选车位线，例如，可以通过Hough变换获取边缘信息中的车位线信息。最后，根据备选车位线确定第一车位位置。

在一些示例中，可以对车位线进行坐标变换，将车位线信息转换到本车（当前需要驻泊的车辆）坐标系，计算车位线的各个相交点。各个相交点组成多个作为候选的车位框，再进一步判断车位框形状、面积、长宽比等车位特征，从而可以剔除无效的车位框、保留筛选后的车位框信息以作为第一车位位置。

在本发明的一些实施例中，上文描述的“对环境图像神经网络检测确定第二车位位置”的步骤可以具体包括以下步骤。首先，通过神经网络确定环境图像中的角点。其次，再基于角点确定第二车位位置。在本发明的一些示例中，可以对采集的数据进行车位角点标注，使用标注的图像对神经网络进行训练，使得神经网络具备车位角点检测能力。使用训练后的神经网络，可以完成360度环视图像的车位角点检测。

在一些示例中，可以对车位角点进行坐标转换，将车位角点信息转换到本车（当前需要驻泊的车辆）坐标系，该坐标系和上文描述的本车坐标系为同一个坐标系。各个车位角点组成多个候选车位框，再进一步判断车位框形状、面积、长宽比等车位特征，剔除无效的车位框、保留筛选后的车位框信息以作为第二车位位置。

在本发明的一些实施例中，上文描述的“根据备选车位位置和车辆位置确定是否存在空闲车位”的步骤可以具体包括以下步骤。根据备选车位位置与车辆位置的重合度确定备选车位是否为空闲车位。此处描述的重合度是指二者在物理世界中的重合情况，例如可以为坐标的交叠情况。

为了更清晰地说明本发明的各示例的流程顺序，作为上文的各示例的补充或者与上文的各示例结合，图2示出了根据本发明的一个实施例的确定空闲车位的方法20。在车辆前、后、左、右各安装一个鱼眼摄像头，在步骤201中将四路鱼眼摄像头图像作为原始输入信号，该组信号一分为二，一组用来做传统的车位线检测，另一组用来做神经网络车位角点检测和车辆检测。

在一些示例中，可以通过传统的车位线检测获取鱼眼图像中的车位线信息。传统的车位线检测包括在步骤202中进行图像灰度化处理、在步骤203中进行图像边缘检测、在步骤204中进行图像线检测（或者称为车位线检测，下同）。具体而言，在一些示例中，图像灰度化处理将原始的彩色鱼眼图像转换成灰度图像；图像边缘检测通过canny算子提取灰度图像中的边缘信息；图像线检测通过Hough变换获取边缘信息中的车位线信息。

在一些示例中，可以通过神经网络检测对360度环视图像进行检测，如图2所示，在步骤207检测图像中的车位角点并且在步骤208中检测图像中的车辆。四路鱼眼摄像头图像经过在步骤206中进行的鱼眼校正、透视变换、图像拼接，形成360度环视图像（或者简记为环视拼接）。对360度环视图像进行数据采集，对采集的数据进行车位角点和车辆两类目标进行标注，使用标注的图像对神经网络进行训练，使得神经网络具备车位角点和车辆检测能力。使用训练后的神经网络，可以完成360度环视图像的车位角点检测和车辆检测。

在一些示例中，可以对步骤204中检测到的车位线进行坐标变换，在步骤205中将车位线信息转换到本车坐标系，计算车位线的各个相交点，各个相交点组成多个候选车位框，判断车位框形状、面积、长宽比等车位特征，剔除无效的车位框，保留筛选后的车位框信息。

在一些示例中，可以对步骤207中检测到的车位角点进行坐标转换，在步骤209中将车位角点信息转换到本车坐标系（该坐标系和步骤205的坐标系为同一个坐标系），各个车位角点组成多个候选车位框，判断车位框形状、面积、长宽比等车位特征，剔除无效的车位框，保留筛选后的车位框信息。

在一些示例中，可以对步骤205和步骤209所得到的车位框信息进行匹配，设定车位框位置信息匹配门限，小于门限值的车位框判定为相互关联车位框，对相互关联的车位框信息进行加权融合，保存为融合后有效车位框（步骤210）。

在一些示例中，可以对步骤208中检测到的车辆信息进行坐标转换，将检测到的车辆信息转换到本车坐标系，该坐标系和步骤205或步骤209的坐标系为同一个坐标系，然后再计算步骤210中所获得的车位框和坐标转换后的车辆位置相互重叠度，在步骤211中进行空闲车位判定。如果车位框内存在车辆，认定该车位为占用车位，如果车位框内不存在车辆，认定该车位为空闲车位。

在一些示例中，当在步骤211中检测到空闲车位，则根据距离本车车辆最近准则，或者通过人机交互界面选择一个空闲车位，并将这个最终选择的车位信息发送给泊车控制单元。如果在步骤211中没有检测到空闲车位，不输出车位信息。

在一些示例中，可以对车辆信息（具体而言为车辆位置）进行坐标转换，将检测到的车辆信息转换到本车（当前需要驻泊的车辆）坐标系，该坐标系和上文描述的本车坐标系为同一个坐标系。然后，例如，可以计算上文获得的融合后有效车位框和坐标转换后的车辆位置相互重叠度，如果车位框内存在车辆，认定该车位为占用车位，如果车位框内不存在车辆，认定该车位为空闲车位。

在一些示例中，当判定为检测到空闲车位时，可以根据距离本车车辆最近准则，或者通过人机交互界面由驾驶人员选择一个空闲车位，并将这个最终选择的车位信息发送给泊车控制单元。如果没有检测到空闲车位，则不输出车位信息。

需要说明的是，以上步骤可以循环执行，直至找到合适的空闲车位或者手动停止。当重新输入一组新的环境图像时（例如，以一定的时间间隔重新获取环境图像），以上各步骤就可以重复执行一次。

根据本发明的另一方面，提供一种确定空闲车位的装置。如图3所示，确定空闲车位的装置30包括摄像头301和车位检测处理单元302。其中，摄像头301被配置成获取车辆周围的环境图像。例如，在本发明的一些示例中，可以在车辆的前、后、左、右四个位置各安装一个鱼眼摄像头，四路鱼眼摄像头（摄像头A、摄像头B、摄像头C、摄像头D）图像作为原始输入信号。在其他示例中，摄像头可以不是鱼眼形式的，其数量也可以不必为四。环境图像的范围可以根据实际需要以及硬件条件而选取，因而其范围可以不必特别大，但是应当至少满足可以获取到周围一定范围内与车位相关的信息，例如车位划线、车位上是否有车辆等。

在一些示例中，可以对诸如四路鱼眼摄像头获取到的图像进行鱼眼校正、透视变换、图像拼接，以形成360度环视图像供装置30中的其他单元模块分析、计算使用。

车位检测处理单元302被配置成对环境图像进行视觉检测和神经网络检测确定备选车位位置。在此，可以将摄像头301获取到的环境图像信号一分为二，一组可以基于传统的视觉检测来确定车位线位置，另一组可以基于神经网络检测来确定车位线位置。由此，车位检测处理单元302可以确定备选的可被用于停泊车辆的车位位置（在本文中简称为备选车位位置），并在下文中进一步确定该车位上是否已经驻有车辆。因此，车位检测处理单元302可以采用神经网络检测方法对车位进行检测，与传统的仅基于视觉检测的方法相比，本发明的机制能够有效克服不同环境因素变化的影响。此外，车位检测处理单元302可以融合传统检测方法和神经网络检测方法的车位信息，检测结果的准确度和稳定性更好。再次，本发明的装置30中仅包括诸如摄像头传感器之类的硬件，不需要加装超声波雷达传感器或者对停车场车位进行改造，因而整体的系统结构将更为简单。

车位检测处理单元302还被配置成对环境图像通过神经网络检测确定车辆位置。在本发明的一些示例中，神经网络可以对诸如上面描述的360度环视图像进行检测，以检测图像中的车辆。例如，可以对采集的数据进行车辆标注，并且使用标注的图像对神经网络进行训练，使得神经网络具备车辆检测能力。此后，可以使用训练好的神经网络对360度环视图像进行车辆检测。在一些示例中，神经网络也可继续更新，例如，驾乘人员可以对实际由神经网络检测出的车辆作人工校正（例如，在误将其他物体检测为车辆的情况下，驾乘人员可以通过车机触摸屏进行校正），校正的结果可以供网络进一步用作训练。通过车位检测处理单元302，本发明的机制可以共用摄像头图像信息，通过神经网络方法对图像上的车辆进行检测，并进一步用于判定车位的空闲状态，因而硬件成本低，对于批量生产而言可以大幅降低使用成本。

需要说明的是，车位检测处理单元302通过神经网络有可能没有检测到车辆，在本发明的上下文中可以将这种情形定义为检测到“空”车辆，此时将车辆位置可以例如置为“空”。若出现此情形，可以将该“空”位置用于计算以便确定是否存在空闲车位，这种情形也在本发明的权利要求的保护范围之中。

车位检测处理单元302还被配置成根据备选车位位置和车辆位置确定是否存在空闲车位。在此，车位检测处理单元302可以根据备选车位的位置和所检测到的车辆的位置的相对关系来确定备选车位是否空闲，亦即，备选车位是否为空闲车位。例如，在一些示例中，仅当备选车位位置与所检测到的车辆位置没有任何位置上的交叠时才认为当前备选车位为空闲车位，否则当前备选车位不是空闲车位，不可用于泊车。

需要说明的是，车位检测处理单元302可以根据输入的图像循环执行是否存在空闲车位的判定，直至找到合适的空闲车位或者手动停止。当重新输入一组新的环境图像时（例如，以一定的时间间隔重新获取环境图像），车位检测处理单元302就可以重复执行一次判定过程。

在本发明的一些实施例中，车位检测处理单元302还包括车位框筛选模块322。首先，此时车位检测处理单元302可以配置成对环境图像进行视觉检测确定第一车位位置，此时的第一车位位置是完全基于视觉检测而获得的。其次，此时车位检测处理单元302还可以配置成对环境图像神经网络检测确定第二车位位置，此时的第二车位位置是完全基于神经网络检测而获得的。再次，车位框筛选模块322可以被配置成根据第一车位位置和第二车位位置确定备选车位位置。例如，车位框筛选模块322可以对得到的第一车位位置（例如，第一车位框信息）与第二车位位置（例如，第二车位框信息）进行匹配，例如，可以设定车位框位置信息匹配门限，小于门限值的车位框判定为相互关联车位框。对相互关联的车位框信息进行加权融合，保存为融合后有效车位框以作为备选车位位置。第一车位位置与第二车位位置的匹配可以基于坐标进行，下文中将详细描述如何获取第一车位位置与第二车位位置的坐标。

在本发明的一些实施例中，车位检测处理单元302包括灰度化处理模块323、边缘检测模块324以及图像线检测模块325。其中，灰度化处理模块323被配置成将环境图像进行灰度处理以获得灰度图像。由于对车位位置判断这一任务对色彩并不十分敏感，因而可以通过将原始的诸如彩色鱼眼图像转换成灰度图像来检测。边缘检测模块324被配置成对灰度图像进行边缘检测以提取边缘信息，例如可以通过canny算子提取灰度图像中的边缘信息；图像线检测模块325被配置成从边缘信息中确定备选车位线，例如，可以通过Hough变换获取边缘信息中的车位线信息。车位框筛选模块322被配置成根据备选车位线确定第一车位位置。

在一些示例中，车位框筛选模块322可以对车位线进行坐标变换，将车位线信息转换到本车（当前需要驻泊的车辆）坐标系，计算车位线的各个相交点。各个相交点组成多个作为候选的车位框，再进一步判断车位框形状、面积、长宽比等车位特征，从而可以剔除无效的车位框、保留筛选后的车位框信息以作为第一车位位置。

在本发明的一些实施例中，车位检测处理单元302还包括角点检测模块326。其中，角点检测模块326被配置成通过神经网络确定环境图像中的角点，并且车位框筛选模块322被配置成基于角点确定第二车位位置。在本发明的一些示例中，可以对采集的数据进行车位角点标注，使用标注的图像对神经网络进行训练，使得神经网络具备车位角点检测能力。使用训练后的神经网络，可以完成360度环视图像的车位角点检测。

在一些示例中，角点检测模块326可以对车位角点进行坐标转换，将车位角点信息转换到本车（当前需要驻泊的车辆）坐标系，该坐标系和上文描述的本车坐标系为同一个坐标系。各个车位角点组成多个候选车位框，再进一步判断车位框形状、面积、长宽比等车位特征，剔除无效的车位框、保留筛选后的车位框信息以作为第二车位位置。

在本发明的一些实施例中，车位检测处理单元302还包括空闲车位判定模块326。其中，空闲车位判定模块326被配置成根据备选车位位置与车辆位置的重合度确定备选车位是否为空闲车位。此处描述的重合度是指二者在物理世界中的重合情况，例如可以为坐标的交叠情况。

根据本发明的另一方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，其特征在于，当所述指令由处理器执行时，使得处理器执行如上文所述的任意一种方法。本发明中所称的计算机可读介质包括各种类型的计算机存储介质，可以是通用或专用计算机能够存取的任何可用介质。举例而言，计算机可读介质可以包括RAM、ROM、EPROM、E²PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或特定用途计算机、或者通用或特定用途处理器进行存取的任何其他临时性或者非临时性介质。如本文所使用的，盘（disk）和碟（disc）包括紧致碟（CD）、激光碟、光碟、数字多用途光碟（DVD）、软盘和蓝光碟，其中盘通常磁性地复制数据，而碟则用激光来光学地复制数据。上述的组合也应当包括在计算机可读介质的保护范围之内。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

以上例子主要说明了本发明的自动泊车车位检测的机制，具体而言涉及基于视觉融合的确定空闲车位的方法以及确定空闲车位的装置。本发明提出了使用结合神经网络检测方法对车位角点进行检测，能够有效弥补传统的车位检测方法的不足。本发明使用传统检测方法和神经网络检测方法的信息，对两种检测方法的结果进行融合处理，提升整体的车位检测性能，具有更好的车检测准确度和稳定性。根据本发明的机制，车位的空闲状态判定不依赖于超声波雷达和预埋磁传感器，仅基于视觉传感器的图像信息，通过神经网络检测模块对车辆进行检测，具备系统结构简单、无需场端改造等特点。根据本发明的机制，传统检测方法和神经网络检测方法使用同一组摄像头输入图像，有效节省硬件成本开销，对于批量生产具有一定的指导意义。。

尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (10)

1.一种确定空闲车位的方法，其特征在于，所述方法包括：

获取车辆周围的环境图像；

对所述环境图像进行视觉检测和神经网络检测确定备选车位位置；

对所述环境图像通过神经网络检测确定车辆位置；以及

根据所述备选车位位置和所述车辆位置确定是否存在空闲车位。

2.根据权利要求1所述的方法，其特征在于，对所述环境图像进行视觉检测和神经网络检测确定备选车位位置包括：

对所述环境图像进行视觉检测确定第一车位位置；

对所述环境图像神经网络检测确定第二车位位置；以及

根据所述第一车位位置和所述第二车位位置确定所述备选车位位置。

3.根据权利要求2所述的方法，其特征在于，对所述环境图像进行视觉检测确定第一车位位置包括：

将所述环境图像进行灰度处理以获得灰度图像；

对所述灰度图像进行边缘检测以提取边缘信息；

从所述边缘信息中确定备选车位线；以及

根据所述备选车位线确定所述第一车位位置。

4. 根据权利要求2所述的方法，其特征在于，对所述环境图像神经网络检测确定第二车位位置包括：

通过神经网络确定所述环境图像中的角点；以及

基于所述角点确定所述第二车位位置。

5.根据权利要求1所述的方法，其特征在于，根据所述备选车位位置和所述车辆位置确定是否存在空闲车位包括：根据所述备选车位位置与所述车辆位置的重合度确定备选车位是否为空闲车位。

6.一种确定空闲车位的装置，其特征在于，所述装置包括：

摄像头，其配置成获取车辆周围的环境图像；

车位检测处理单元，其配置成：

对所述环境图像进行视觉检测和神经网络检测确定备选车位位置；

对所述环境图像通过神经网络检测确定车辆位置；以及

根据所述备选车位位置和所述车辆位置确定是否存在空闲车位。

7.根据权利要求6所述的装置，其特征在于，所述车位检测处理单元包括车位框筛选模块，并且所述车位检测处理单元配置成：对所述环境图像进行视觉检测确定第一车位位置；以及对所述环境图像神经网络检测确定第二车位位置；以及

所述车位框筛选模块被配置成根据所述第一车位位置和所述第二车位位置确定所述备选车位位置。

8.根据权利要求7所述的装置，其特征在于，所述车位检测处理单元包括：

灰度化处理模块，其配置成将所述环境图像进行灰度处理以获得灰度图像；

边缘检测模块，其配置成对所述灰度图像进行边缘检测以提取边缘信息；

图像线检测模块，其配置成从所述边缘信息中确定备选车位线；以及

所述车位框筛选模块被配置成根据所述备选车位线确定所述第一车位位置。

9.根据权利要求7所述的装置，其特征在于，所述车位检测处理单元还包括角点检测模块，其配置成通过神经网络确定所述环境图像中的角点；以及

所述车位框筛选模块被配置成基于所述角点确定所述第二车位位置。

10.根据权利要求6所述的装置，其特征在于，所述车位检测处理单元还包括空闲车位判定模块，其配置成根据所述备选车位位置与所述车辆位置的重合度确定备选车位是否为空闲车位。

Images