CN114120701B - 一种泊车定位方法及装置 - Google Patents

Abstract

本发明公开了一种泊车定位方法及装置，包括：获取车辆泊车俯视图，采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征，泊车特征为构成地面标识的基本元素，该基本元素是由至少两条线段组成的具备几何形状的图形，将从泊车俯视图中分割出的泊车特征与预先构建的记忆地图进行匹配，得到泊车俯视图的位姿信息，进而根据车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息确定车辆的位姿信息。由此，预先构建的记忆地图只包含泊车特征和泊车特征位姿，占用的存储空间小，提高了进行数据定位的效率，且泊车特征为易于识别的构成地面标识的基本元素，提升了定位的准确度。

Description

一种泊车定位方法及装置

技术领域

本发明涉及自动泊车领域，尤其涉及一种泊车定位方法及装置。

背景技术

记忆泊车是自动驾驶在具体场景下的一个应用，其技术要点主要包含感知，建图与定位，决策与控制。由于要求成本低，感知一般采用摄像头加超声波雷达的方式，如何在上述信息相对简单的感知输入条件下完成建图与定位，是车辆进一步进行决策与控制，继而完成记忆泊车功能的关键。

现有技术中在构建用于定位的地图时，通常是提取图像中所有或大部分像素点，基于该方法建立的地图为稠密地图，但是该种方法构建的地图信息量大，会占用很大的存储空间，当利用该记忆地图进行泊车定位时，严重影响泊车定位的处理效率以及处理精度。

发明内容

有鉴于此，本发明实施例公开了一种泊车定位方法及装置，解决了现有技术中记忆地图占用空间大，影响泊车定位的处理效率的问题。

第一方面，本发明实施例提供了一种泊车定位方法，包括：

获取车辆在泊车过程中的泊车俯视图；

采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征；所述特征分割模型是通过包含标记了泊车特征的图片的数据集对待训练的特征分割模型进行训练后得到的；泊车特征为构成地面标识的基本元素，所述基本元素是由至少两条线段组成的具备几何形状的图形；

从预先构建的记忆地图中确定与泊车俯视图的泊车特征相匹配的目标泊车特征，并通过所述目标泊车特征的位姿信息确定泊车俯视图的位姿信息；

获取车辆与泊车俯视图的相对位置关系，并根据所述车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息，确定车辆的位姿信息。

在一些实施例中，构成地面标识的所述基本元素的形状至少包括：

三角形、平行四边形、圆弧形。

在一些实施例中，所述特征分割模型的训练过程包括：

将包含泊车特征的图片作为训练样本；

将所述训练样本输入到待训练的特征分割模型中，以所述待训练的特征分割模型对所述训练样本的分割结果趋近于在所述训练样本中预先标记的泊车特征为目的，对所述待训练的分割模型进行训练。

在一些实施例中，所述记忆地图的构建方法包括：

获取车辆从预设的起始位置移动到目标位置的过程中每一帧的泊车俯视图；

采用特征分割模型在每一帧的泊车俯视图中分割出泊车特征；

获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息；

通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图。

在一些实施例中，所述获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息，包括：

针对任意一帧的泊车俯视图中的泊车特征：

获取在拍摄用于生成泊车俯视图的图片时车辆在全局坐标系下的位姿信息；

确定车辆与泊车俯视图的相对位置关系；

根据所述车辆的位姿信息以及车辆与泊车俯视图的相对位置关系，确定泊车俯视图中的泊车特征在全局系下的位姿信息。

在一些实施例中，在通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图之后，所述方法还包括：

获取车辆从目标位置到起始位置行驶过程中每一帧的泊车俯视图，作为参考泊车俯视图；

获取每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息；

通过每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息，对已构建的记忆地图中的泊车特征以及泊车特征的位姿信息进行修正，得到修正后的记忆地图。

第二方面，本发明实施例提供了一种泊车定位装置，包括：

第一获取单元，用于获取车辆在泊车过程中的泊车俯视图；

第一分割单元，用于采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征；所述特征分割模型是通过包含标记了泊车特征的图片的数据集对待训练的特征分割模型进行训练后得到的；泊车特征为构成地面标识的基本元素，所述基本元素是由至少两条线段组成的具备几何形状的图形；

匹配单元，用于从预先构建的记忆地图中确定与泊车俯视图的泊车特征相匹配的目标泊车特征，并通过所述目标泊车特征的位姿信息确定泊车俯视图的位姿信息；

第二获取单元，用于获取车辆与泊车俯视图的相对位置关系，并根据所述车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息，确定车辆的位姿信息。

在一些实施例中，构成地面标识的所述基本元素的形状至少包括：

三角形、平行四边形、圆弧形。

在一些实施例中，还包括：

训练样本确定单元，用于将包含泊车特征的图片作为训练样本；

训练单元，用于将所述训练样本输入到待训练的特征分割模型中，以所述待训练的特征分割模型对所述训练样本的分割结果趋近于在所述训练样本中预先标记的泊车特征为目的，对所述待训练的分割模型进行训练。

在一些实施例中，还包括：

第三获取单元，用于获取车辆从预设的起始位置移动到目标位置的过程中每一帧的泊车俯视图；

第二分割单元，用于采用特征分割模型在每一帧的泊车俯视图中分割出泊车特征；

第四获取单元，用于获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息；

记忆地图构建单元，用于通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图。

在一些实施例中，所述第四获取单元，具体用于：

针对任意一帧的泊车俯视图中的泊车特征：

获取在拍摄用于生成泊车俯视图的图片时车辆在全局坐标系下的位姿信息；

确定车辆与泊车俯视图的相对位置关系；

根据所述车辆的位姿信息以及车辆与泊车俯视图的相对位置关系，确定泊车俯视图中的泊车特征在全局系下的位姿信息。

在一些实施例中，所述装置还包括：

第五获取单元，用于获取车辆从目标位置到起始位置行驶过程中每一帧的泊车俯视图，作为参考泊车俯视图；

第六获取单元，用于获取每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息；

修正单元，用于通过每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息，对已构建的记忆地图中的泊车特征以及泊车特征的位姿信息进行修正，得到修正后的记忆地图。

本发明实施例公开了泊车定位方法及装置，获取车辆在泊车过程中的泊车俯视图，采用预先训练的特征分割模型从所述泊车俯视图中分割出泊车特征，泊车特征为构成地面标识的基本元素，该基本元素是由至少两条线段组成的具备几何形状的图形，将从泊车俯视图中分割出的泊车特征与预先构建的记忆地图进行匹配，得到泊车俯视图的位姿信息，进而根据车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息确定车辆的位姿信息。由此，本实施例中预先构建的记忆地图只包含泊车特征和泊车特征的位姿信息，该记忆地图占用的存储空间小，进而提高了车辆定位的效率和准确度。并且，上述方法的算法的复杂性较低，降低了硬件成本。除此之外，本实施例中，采用构成地面标识的基本元素表示泊车特征，易于识别，即使地面标识存在被遮挡的情况，也可以识别出完整的基本元素，从而提升了定位的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明实施例提供的一种泊车定位方法的流程示意图；

图2示出了泊车俯视图的示意图；

图3示出了泊车特征的示意图；

图4示出了本发明实施例提供的一种构建记忆地图的方法的流程示意图；

图5示出了本发明实施例提供的一种泊车定位装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，示出了本发明实施例提供的一种泊车定位方法的流程示意图，在本实施例中，该方法包括：

S101：获取车辆在泊车过程中的泊车俯视图。

本实施例中，泊车俯视图可以通过多种方式获取到，优选的可以通过对不同角度的图片进行转换和拼接获取，优选的，S101包括：

获取同一时刻不同视角的泊车图片；同一时刻不同视角的泊车图片分别是由安装在车辆不同位置的摄像头拍摄得到的；

将同一时刻不同视角的泊车图片进行视场转换和图像拼接，得到泊车俯视图。

其中，泊车俯视图表示从俯视的角度观看到的车辆泊车过程中的场景图，如图2所示。

举例说明：可以在车辆的前后左右的位置上分别安装一个摄像头，车辆的每个位置上安装的摄像头拍摄的图片分别表示一个视角的图片，在同一时刻，不同摄像头分别拍摄不同视角的图片，并通过对同一时刻拍摄到的不同视角的图片进行视角转换和图片拼接，从而得到俯视图。

S102：采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征；特征分割模型是通过包含标记了泊车特征的图片的数据集对待训练的特征分割模型进行训练后得到的；泊车特征为构成地面标识的基本元素，基本元素是由至少两条线段组成的具备几何形状的图形。

本实施例中，地面标识包括多种形态，地面标识可以指示车辆的行进方向以及当前位置的车辆停放要求，其中地面表示可以包括：车道线单白线、直行箭头、左转箭头、右转箭头、左右转向箭头、掉头转向箭头、人行横道线、路口网格线、路口停止线、车位线。

在一种实施方式中，通过不同地面标识的组合，可以指示车辆在停车场中的位置情况，其中，不同的地面标识的组合和展示停车场不同的场景，停车场不同的位置对应一个停车长的场景，不同地面标识的组合，就可以表示停车场的不同位置。泊车特征为构成地面标识的基本元素，不同泊车特征的组合表示也就可以表示停车场不同的场景，即表示停车场的不同位置。

其中，泊车特征标识构成地面标识的基本元素，该基本元素可以表示为将地面标识划分为不同的基本形状，这些基本形状可以标识为由至少两条线段组成的具备几何形状的图像，优选的，构成地面标识的基本元素的形状至少包括：三角形、平行四边形、圆弧形。

举例说明：如图3所示，图3中的序号1、序号4和序号5均为构成地面标识的三角形、序号2和3均为构成地面标识的平行四边形，其中，序号3为一种特殊的平行四边形-矩形，序号6为构成地面标识的圆弧形。

本实施例中，特征分割模型是通过包含标记有分割特征的图片的样本集对预设的神经网络模型进行训练后得到的。其中，用于训练的样本集中包含大量的泊车特征的图片，采用待训练的分割模型对样本集中的图片进行分割，以分割结果趋近于图片中标记的分割特征为目的对待训练的分割模型进行训练，具体的，对特征分割模型的训练过程包括：

将包含泊车特征的图片作为训练样本；

将训练样本输入到待训练的特征分割模型中，以待训练的特征分割模型对训练样本的分割结果趋近于在训练样本中预先标记的泊车特征为目的，对待训练的机器学习模型行训练。

其中，特征分割模型可以为任意一种或者多种机器学习模型，本实施例种不进行限定，优选的，可以为神经网络模型。

本实施例中，包含泊车特征的图片可以多种视角拍摄得到的图片，在一种实施方式中，为了保证训练结果的精确度，尽量选取包括完整地面标识的图片，在图片包含有完整的地面标识的情况下，图片中也会包含完整的泊车特征。

在另一种实施方式中，用于对待训练的特征分割模型进行训练的训练样本集中的图片可以为泊车俯视图，且该泊车俯视图中包含有泊车特征。

通过包含有泊车特征的图片的训练样本对待训练的特征分割模型进行训练后，特征分割模型具备从图片中分割出泊车特征的能力，当将获取到的泊车俯视图输入到预先训练的特征分割模型后，特征分割模型可以从泊车俯视图中分割出泊车特征。

进一步的，通过包含泊车特征的图像训练得到的特征分割模型，在从图像中识别泊车特征时，能够识别出完整的泊车特征，在图像中一个地面标识中存在一部分被遮挡或者有污损的情况下，训练后的特征分割模型也能够根据暴露的部分分割出一个完整的泊车特征，或者可以理解为，可以根据暴露的部分分割一个最大的泊车特征，所谓的最大的泊车特征为暴露部分可以展现的最大的泊车特征。

举例说明：如图3所示，车辆遮挡了一部分地面标识，但是通过特征分割模型可以将遮挡部分分割出一个完整的，或者分割出一个最大的三角形(序号4和序号5所对应的基本元素)和平行四边形(序号3所对应的基本元素)。

S103：从预先构建的记忆地图中确定与泊车俯视图的泊车特征相匹配的目标泊车特征，并通过目标泊车特征的位姿信息确定泊车俯视图的位姿信息；

本实施例中，构建的记忆地图中包含泊车特征和泊车特征的位姿信息，假设自动泊车发生的场景为停车场，那么记忆地图可以为用于指示停车场信息的地图，该地图中包含有停车场中用于表示地面标识的泊车特征和泊车特征的位姿信息。

其中，需要说明的是，位姿信息为在全局坐标系中的位姿信息，其中，全局坐标系为二维坐标系，以车辆在预设的起始位置的中心为原点，以车辆行驶方向为X轴方向，位姿信息包含定位信息、航向角和旋转信息。

在一种实施方式中，将泊车俯视图中分割出的泊车特征与记忆地图进行匹配时，可以得到与记忆地图完全匹配的目标泊车特征，那么该目标泊车特征的位姿则为泊车俯视图的位姿。

在另一种实施方式中，在将泊车俯视图中分割出的泊车特征与记忆地图进行匹配时，泊车俯视图中的泊车特征无法与记忆地图中的泊车特征完全匹配上，在该种情况下，可以通过如下的方法得到泊车俯视图的位姿信息，包括：

从记忆地图中找到与泊车俯视图的泊车特征最相似的目标泊车特征；

对泊车俯视图中的泊车特征进行调整，使得泊车俯视图中的泊车特征与记忆地图中的目标泊车特征进行匹配；

通过泊车俯视图中的泊车特征调整的距离与角度以及目标泊车特征的位姿信息，确定泊车俯视图中泊车特征的位姿信息。

其中，获取记忆地图中与泊车俯视图的泊车特征最相似的泊车特征的方法包括多种，本实施例中不进行限定，例如可以通过计算相似度的方法，具体的，计算俯视图中泊车特征与记忆地图中的泊车特征的相似度，并将相似度最高的目标泊车特征作为与泊车俯视图中最相似的目标泊车特征。

S104：获取车辆与泊车俯视图的相对位置关系，并根据车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息，确定车辆的位姿信息。

本实施例中，可以通过多种方法获取车辆与泊车俯视图的关系，本实施例中不进行限定。在确定了泊车俯视图中泊车特征的位姿信息后，可以根据车辆与泊车俯视图的相对位置关系，确定车辆的位姿。从而实现了对车辆的定位。

本实施例中，获取车辆在泊车过程中的泊车俯视图，采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征，其中，泊车特征为构成地面标识的基本元素，该基本元素是由至少两条线段组成的具备几何形状的图形；将从泊车俯视图中分割出的泊车特征与预先构建的记忆地图进行匹配，得到泊车俯视图的位姿信息，进而根据车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息确定车辆的位姿信息。本实施例中预先构建的记忆地图只包含泊车特征和泊车特征的位姿信息，该记忆地图占用的存储空间小，进而提高了车辆定位的效率和准确度。并且，上述方法的算法的复杂性较低，降低了硬件成本。除此之外，本实施例中，采用构成地面标识的基本元素表示泊车特征，易于识别，即使地面标识存在被遮挡的情况，也可以识别出完整的基本元素，从而提升了定位的准确度。

进一步的，为了提升得到的车辆位姿信息的准确度，本实施例中，还可以结合车辆传感器获取到的车辆的位姿信息对上述S101-S104获取到的位姿信息进行修正，例如可以通过惯性测量单元IMU和轮速计获取的信息对车辆的位姿信息进行修正。

参考图4，示出了本发明实施例提供的一种构建记忆地图的方法的流程示意图，在本实施例中该方法包括：

S201：获取车辆从预设的起始位置移动到目标位置过程中每一帧的泊车俯视图；

本实施例中，上述实施例公开了泊车俯视图的获取方法，本实施例中的泊车俯视图的获取方法与上述实施例获取泊车俯视图的方法一致，本实施例中不再赘述。

本实施例中，起始位置可以是任何一个位置，目标位置可以为能够停放车辆的位置，例如停车位。

S202：采用预设的特征分割模型从每一帧的泊车俯视图中分割出泊车特征；

本实施例中，上述公开了特征分割模型的训练方法，经过上述方法训练后的特征分割模型具备从图片中分割出泊车特征的能力。

针对S201获取到的任意一帧的泊车俯视图，将该帧的泊车俯视图输入到预设的特征分割模型中，从而分割出该泊车俯视图中的泊车特征。

S203：获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息；

本实施例中，每个泊车俯视图与车辆具备一定的关系，车辆可以通过定位的方法确定车辆在全局坐标系中的位姿信息，通过车辆与泊车俯视图的关系，可以确定每一帧的泊车俯视图的位姿信息，泊车俯视图中包含泊车特征，那么通过泊车俯视图的位姿信息可以确定泊车俯视图中泊车特征的位姿信息，优选的，S203包括：

针对任意一帧的泊车俯视图中的泊车特征：

获取在拍摄用于生成泊车俯视图的图片时车辆在全局坐标系下的位姿信息；

确定车辆与所示泊车俯视图的相对位置关系；

根据车辆的位姿信息以及车辆与泊车俯视图的相对位置关系，确定泊车俯视图中的泊车特征在全局坐标系下的位姿信息。

本实施例中，获取车辆在全局坐标系下的位姿信息的方法包括多种，本实施例中不进行限定，例如，可以通过惯性测量单元IMU和/或轮速计测量车辆在全局坐标系下的位姿。

进一步的，若某个泊车特征存在多个泊车俯视图中时，可以通过这多个泊车俯视图获取到更加精确的泊车特征的坐标，例如可以采用光束平差法对多个泊车俯视图进行处理，从而得到泊车俯视图中的泊车特征的准确的坐标。

S204：通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图。

本实施例中，通过车辆从起始位置到目标位置路线上获取到的每一帧的泊车俯视图，可以从每一帧的泊车俯视图中获取到泊车特征，通过每一帧泊车俯视图中的泊车特征可以构建从起始位置到目标位置上的记忆地图，其中，该记忆地图包括从起始位置到目标位置上的泊车特征和泊车特征的位姿信息。

进一步的，为了进一步保证获取到的记忆地图中泊车特征以及泊车特征的位姿信息的准确度，还可以采用回环检测的方法对S201-S204得到的泊车特征和泊车特征的位姿信息进行修正，优选的，控制车辆从目标位置到起始位置移动，并在车辆从目标位置到起始位置移动的过程中，获取每一帧的泊车俯视图，采用预设的特征分割模型从每一帧的泊车俯视图中分割出泊车特征，获取泊车俯视图中的泊车特征在全局坐标系中的位姿信息；获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息，并通过本次循环获取到的泊车俯视图中泊车特征在全局坐标系中的位姿信息对S201-S204中获取到的泊车特征和泊车特征的位姿信息进行修正，优选的，在S204之后还包括：

获取车辆从目标位置到起始位置行驶过程中每一帧的泊车俯视图，作为参考泊车俯视图；

获取每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息；

通过每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息，对已构建的记忆地图中的泊车特征以及泊车特征的位姿信息进行修正，得到修正后的记忆地图。

通过上述完整的方法，可以完成一次建图过程，由于车辆在行驶的过程中可能会存在丢失特征的情况，为了保证得到的特征可以可能全的包含车辆从起始位置到目标位置的全部特征，本实施例中，通过上述实施例2的方法多次构建记忆地图，并通过多次构建的记忆地图得到精度更高的记忆地图。

通过本实施例中的方法得到的记忆地图只包含泊车特征和泊车特征的位姿，降低了系统的存储空间，提升了数据处理效率，并且，上述方法的算法的复杂性较低，降低了硬件成本。

参考图5，示出了本发明实施例提供的一种泊车定位装置的结构示意图，在本实施例中，该装置包括：

第一获取单元501，用于获取车辆在泊车过程中的泊车俯视图；

第一分割单元502，用于采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征；特征分割模型是通过包含标记了泊车特征的图片的数据集对待训练的特征分割模型进行训练后得到的；泊车特征为构成地面标识的基本元素，基本元素是由至少两条线段组成的具备几何形状的图形；

匹配单元503，用于从预先构建的记忆地图中确定与泊车俯视图的泊车特征相匹配的目标泊车特征，并通过目标泊车特征的位姿信息确定泊车俯视图的位姿信息；

获取单元504，用于获取车辆与泊车俯视图的相对位置关系，并根据车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息，确定车辆的位姿信息。

可选的，构成地面标识的基本元素的形状至少包括：

三角形、平行四边形、圆弧形。

可选的，还包括：

训练样本确定单元，用于将包含泊车特征的图片作为训练样本；

训练单元，用于将训练样本输入到待训练的特征分割模型中，以待训练的特征分割模型对训练样本的分割结果趋近于在训练样本中预先标记的泊车特征为目的，对待训练的分割模型进行训练。

可选的，还包括：

第三获取单元，用于获取车辆从预设的起始位置移动到目标位置的过程中每一帧的泊车俯视图；

第二分割单元，用于采用特征分割模型在每一帧的泊车俯视图中分割出泊车特征；

第四获取单元，用于获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息；

记忆地图构建单元，用于通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图。

可选的，第四获取单元，具体用于：

针对任意一帧的泊车俯视图中的泊车特征：

第一获取子单元，用于获取在拍摄用于生成泊车俯视图的图片时车辆在全局坐标系下的位姿信息；

第一确定子单元，用于确定车辆与泊车俯视图的相对位置关系；

第二确定子单元，用于根据车辆的位姿信息以及车辆与泊车俯视图的相对位置关系，确定泊车俯视图中的泊车特征在全局系下的位姿信息。

可选的，还包括：

第五获取单元，用于获取车辆从目标位置到起始位置行驶过程中每一帧的泊车俯视图，作为参考泊车俯视图；

第六获取单元，用于获取每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息；

修正单元，用于通过每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息，对已构建的记忆地图中的泊车特征以及泊车特征的位姿信息进行修正，得到修正后的记忆地图。

本实施例的装置，获取车辆在泊车过程中的泊车俯视图，采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征，其中，泊车特征为构成地面标识的基本元素，该基本元素是由至少两条线段组成的具备几何形状的图形；将从泊车俯视图中分割出的泊车特征与预先构建的记忆地图进行匹配，得到泊车俯视图的位姿信息，进而根据车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息确定车辆的位姿信息。由此，本实施例中采用的记忆地图是包含泊车特征和泊车特征的位姿信息，该记忆地图占用的存储空间小，由此提高了车辆定位的效率和准确度。并且，上述方法的算法的复杂性较低，降低了硬件成本。

需要说明的是，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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种泊车定位方法，其特征在于，包括：

获取车辆在泊车过程中的泊车俯视图；

采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征；所述特征分割模型是通过包含标记了泊车特征的图片的数据集对待训练的特征分割模型进行训练后得到的；泊车特征为构成地面标识的基本元素，所述基本元素是由至少两条线段组成的具备几何形状的图形；

从预先构建的记忆地图中确定与泊车俯视图的泊车特征相匹配的目标泊车特征，并通过所述目标泊车特征的位姿信息确定泊车俯视图的位姿信息，其中，所述预先构建的记忆地图包括泊车特征和泊车特征的位姿信息；

获取车辆与泊车俯视图的相对位置关系，并根据所述车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息，确定车辆的位姿信息。

2.根据权利要求1所述的方法，其特征在于，构成地面标识的所述基本元素的形状至少包括：

三角形、平行四边形、圆弧形。

3.根据权利要求1所述的方法，其特征在于，所述特征分割模型的训练过程包括：

将包含泊车特征的图片作为训练样本；

将所述训练样本输入到待训练的特征分割模型中，以所述待训练的特征分割模型对所述训练样本的分割结果趋近于在所述训练样本中预先标记的泊车特征为目的，对所述待训练的分割模型进行训练。

4.根据权利要求1所述的方法，其特征在于，所述记忆地图的构建方法包括：

获取车辆从预设的起始位置移动到目标位置的过程中每一帧的泊车俯视图；

采用特征分割模型在每一帧的泊车俯视图中分割出泊车特征；

获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息；

通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图。

5.根据权利要求4所述的方法，其特征在于，所述获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息，包括：

针对任意一帧的泊车俯视图中的泊车特征：

获取在拍摄用于生成泊车俯视图的图片时车辆在全局坐标系下的位姿信息；

确定车辆与泊车俯视图的相对位置关系；

根据所述车辆的位姿信息以及车辆与泊车俯视图的相对位置关系，确定泊车俯视图中的泊车特征在全局系下的位姿信息。

6.根据权利要求4所述的方法，其特征在于，在通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图之后，所述方法还包括：

获取车辆从目标位置到起始位置行驶过程中每一帧的泊车俯视图，作为参考泊车俯视图；

获取每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息；

通过每一帧的参考泊车俯视图中的泊车特征和泊车特征的位姿信息，对已构建的记忆地图中的泊车特征以及泊车特征的位姿信息进行修正，得到修正后的记忆地图。

7.一种泊车定位装置，其特征在于，包括：

第一获取单元，用于获取车辆在泊车过程中的泊车俯视图；

第一分割单元，用于采用预先训练的特征分割模型从泊车俯视图中分割出泊车特征；所述特征分割模型是通过包含标记了泊车特征的图片的数据集对待训练的特征分割模型进行训练后得到的；泊车特征为构成地面标识的基本元素，所述基本元素是由至少两条线段组成的具备几何形状的图形；

匹配单元，用于从预先构建的记忆地图中确定与泊车俯视图的泊车特征相匹配的目标泊车特征，并通过所述目标泊车特征的位姿信息确定泊车俯视图的位姿信息；

第二获取单元，用于获取车辆与泊车俯视图的相对位置关系，并根据所述车辆与泊车俯视图的相对位置关系以及泊车俯视图的位姿信息，确定车辆的位姿信息。

8.根据权利要求7所述的装置，其特征在于，构成地面标识的所述基本元素的形状至少包括：

三角形、平行四边形、圆弧形。

9.根据权利要求7所述的装置，其特征在于，还包括：

训练样本确定单元，用于将包含泊车特征的图片作为训练样本；

训练单元，用于将所述训练样本输入到待训练的特征分割模型中，以所述待训练的特征分割模型对所述训练样本的分割结果趋近于在所述训练样本中预先标记的泊车特征为目的，对所述待训练的分割模型进行训练。

10.根据权利要求7所述的装置，其特征在于，还包括：

第三获取单元，用于获取车辆从预设的起始位置移动到目标位置的过程中每一帧的泊车俯视图；

第二分割单元，用于采用特征分割模型在每一帧的泊车俯视图中分割出泊车特征；

第四获取单元，用于获取每一帧的泊车俯视图中的泊车特征在全局坐标系中的位姿信息；

记忆地图构建单元，用于通过每一帧的泊车俯视图中分割出的泊车特征和泊车特征的位姿信息构建记忆地图。

Images