CN114973203A

CN114973203A - 不完整车位识别方法、装置和自动泊车方法

Info

Publication number: CN114973203A
Application number: CN202210644612.9A
Authority: CN
Inventors: 许兰帅; 郭素光
Original assignee: Runguang Intelligent Shenzhen Co ltd
Current assignee: Shenzhen Runguang Zhixing Technology Co ltd
Priority date: 2022-06-08
Filing date: 2022-06-08
Publication date: 2022-08-30

Abstract

本发明实施例公开了一种不完整车位识别方法、装置和自动泊车方法。该不完整车位识别方法包括获取泊车过程中的倒车影像图像，通过车位角点识别模型识别倒车影像图像中的车位角点；对倒车影像图像进行边缘检测，得到边缘信息；确定倒车影像图像中的多条直线，并基于车位角点，对多条直线进行筛选；计算各直线的斜率，根据斜率确定车位边线和车位底线以及确定待泊车位的边线。本发明实施例通过车辆本身的倒车影像摄像头所拍摄的倒车影像图像，低成本地解决了车辆在泊车过程中车身部分进入车位后，无法看到完整车位导致的泊车失败或车身不正的问题，提高了泊车入位的精确度。

Description

不完整车位识别方法、装置和自动泊车方法

技术领域

本发明涉及车位识别领域，尤其涉及一种不完整车位识别方法、装置和自动泊车方法。

背景技术

随着城市车辆的逐年增加，人们不得不面对越来越棘手的停车问题，例如，难以找到停车位、停车位狭窄导致泊车困难，或泊车过程中不能准确的泊入车位进而多次泊车，从而导致在泊车的过程中需要花费大量的时间；更有甚者，与邻近车位或墙体之间发生剐蹭等；这些问题无疑给驾驶员带来很大的困扰。

现在的自动泊车系统被应用于越来越多的车辆中，自动泊车系统可以自动识别车位，并依靠精准控制从而使车辆准确的泊入车位。自动泊车避免了新手司机由于泊车经验缺乏造成的碰撞事故，同时由于泊车可以准确的泊入车位中央，也改善了杂乱的泊车环境。与此同时，车位识别的准确性和车辆控制、定位的精准度决定了整个自动泊车的成败。

自动泊车中车位识别通常采用最近位置识别的方法，也就是在车辆较靠近车位时进行识别，在该位置可以获得较高的精度。车辆泊入过程中，尤其是车身部分进入车位后，由于看不到完整车位，车位不再更新。但是泊车过程中，车辆运动会导致定位累计误差，最终导致车辆泊入失败或者导致车身不正。因此，如何在泊车过程中通过识别不完整车位来提高泊车准确度是个亟需解决的问题。

发明内容

第一方面，本发明提供一种不完整车位识别方法，包括：

获取泊车过程中的倒车影像图像，通过车位角点识别模型识别所述倒车影像图像中的车位角点；

对所述倒车影像图像进行边缘检测，得到边缘信息；

确定所述倒车影像图像中的多条直线，并基于所述车位角点，对所述多条直线进行筛选；

计算保留的各所述直线的斜率，根据所述斜率确定各所述直线的属性，所述属性包括车位边线和车位底线；

根据所述车位边线，确定待泊车位的边线。

在可选的实施方式中，所述根据所述车位边线，确定待泊车位的边线包括：

在所述倒车影像图像中，判断各所述车位边线相对于所述待泊车辆的方向；

在所述倒车影像图像中建立直角坐标系，并标记各所述车位边线与所述直角坐标系中横轴的交点；

计算各所述交点与所述倒车影像图像的中轴线之间的第二距离；

若所述第二距离小于预定阈值，则确定所述交点所对应的车位边线为待泊车位对应方向的边线。

在所述倒车影像图像中建立直角坐标系，并计算各所述车位边线在所述直角坐标系中的第一横截距，以及计算所述倒车影像图像的中轴线在所述直角坐标系中的第二横截距；

若所述第一横截距与所述第二横截距之间的距离差值落在预定距离区间内，则将所述第一横截距对应的车位边线作为待泊车位的边线。

在可选的实施方式中，所述根据所述斜率确定各所述直线的属性包括：

定位泊车过程中的实时车位底线，并计算所述实时车位底线与所述待泊车辆的中轴线之间的夹角；

计算保留的各所述直线的斜率与所述夹角之间的角度差值；

若所述角度差值处于第一预设角度区间内，则将对应的直线作为车位底线；

若所述角度差值处于第二预设角度区间内，则将对应的直线作为车位边线。

在可选的实施方式中，所述确定所述倒车影像图像中的多条直线，并基于所述车位角点，对所述多条直线进行筛选包括：

对所述边缘信息进行霍夫变换处理，得到所述倒车影像图像中的多条直线；

比较所述车位角点与各所述直线之间的第一距离，删除所述第一距离大于预定距离阈值的直线。

在可选的实施方式中，所述车位角点识别模型的获取过程包括：

获取历史泊车影像图像；

对所述历史泊车影像图像进行预处理，并在所述历史泊车影像图像中标记车位角点的位置；

将标记好的历史泊车影像图像作为训练语料，采用卷积神经网络对训练语料进行模型训练，得到车位角点识别模型。

第二方面，本发明提供一种自动泊车方法，包括：

根据前述的不完整车位识别方法，获取待泊车位的边线和车位底线；

实时计算所述待泊车位的边线和所述车位底线与待泊车辆之间的距离和角度，生成反馈信息；

根据所述反馈信息实时调整泊车路径，并按照调整后的泊车路径进行泊车。

第三方面，本发明提供一种不完整车位识别装置，包括：

角点识别模块，用于获取泊车过程中的倒车影像图像，通过车位角点识别模型识别所述倒车影像图像中的车位角点；

边缘检测模块，用于对所述倒车影像图像进行边缘检测，得到边缘信息；

筛选模块，用于确定所述倒车影像图像中的多条直线，并基于所述车位角点，对所述多条直线进行筛选；

斜率计算模块，用于计算保留的各所述直线的斜率，根据所述斜率确定各所述直线的属性，所述属性包括车位边线和车位底线；

确定模块，用于根据所述车位边线，确定待泊车位的边线。

第四方面，本发明提供一种计算机设备，所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施前述的不完整车位识别方法。

第五方面，本发明提供一种计算机存储介质，其存储有计算机程序，所述计算机程序被执行时，实施前述的不完整车位识别方法。

本发明实施例具有如下有益效果：

本发明实施例通过车辆本身的倒车影像摄像头所拍摄的倒车影像图像，识别不完整车位，低成本地解决了车辆在泊车过程中汽车部分进入车位后，无法看到完整车位导致的泊车失败或车身不正的问题；并且通过车位角点识别模型识别车位角点，提高了识别效率和准确度；在车位线的识别过程中，通过车位线与角点的依赖关系来识别车位线，可以避免环境中其他因素对车位线识别的影响，提高识别的准确度，进而提高不完整车位识别的准确度和泊车入位的精确度。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1为本发明实施例中不完整车位识别方法的第一个实施方式示意图；

图2为本发明实施例中不完整车位识别方法的第二个实施方式示意图；

图3为本发明实施例中车位识别示意图；

图4为本发明实施例中不完整车位识别方法的第三个实施方式示意图；

图5为本发明实施例中不完整车位识别方法的第四个实施方式示意图；

图6为本发明实施例中自动泊车方法的实施例示意图；

图7为本发明实施例中不完整车位识别装置的结构示意图。

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。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

在车辆进行泊车过程中，且当车辆泊入待泊车位，尤其是车身部分进入待泊车位后，由于看不到完整车位，泊车系统上的待泊车位信息不再更新。但是泊车过程中，车辆运动会导致定位累计误差，最终导致车辆泊入失败或者导致车身不正。

基于此，本实施例提供了一种不完整车位识别方法，避免车身进入待泊车位后看不到完整车位而难以精准泊车的情况，以此提高泊车过程中的泊车准确度。

实施例1

请参照图1，下面对该不完整车位识别方法进行详细说明。

S10，获取泊车过程中的倒车影像图像，通过车位角点识别模型识别倒车影像图像中的车位角点。

在未识别到完整车位就开始进行泊车时，先通过待泊车辆的倒车影像摄像头获取在自动泊车过程中的倒车影像图像，并通过待泊车辆的自动泊车系统中预设的车位角点识别模型识别倒车影像图像中的车位角点。

在采用预设车位角点识别模型识别倒车影像图像中的车位角点时，预先训练该车位角点识别模型。

具体地，预先采集多个车辆的历史泊车影像图像，对多个历史泊车影像图片进行预处理，其预处理包括但不限于逆透视变换、高斯模糊、运动模糊、随机亮度对比度和水平翻转等处理过程；对历史泊车影像图像进行角点位置标注后采用卷积神经网络进行模型训练，得到车位角点识别模型。其中，预处理的各个处理过程的实现顺序不分先后。对多个历史泊车影像图片进行预处理的目的，一是为了提高训练得到的模型的鲁棒性，二是为了适应实际的应用场景，例如，运动模糊处理是为了模拟车辆运动，随机亮度对比度处理是为了覆盖光线较亮和昏暗的情况。

在训练好车位角点识别模型后，采用该模型可识别出倒车影像图像中的车位角点，并且通过卷积神经网络所训练的角点识别模型识别车位角点的准确度可以达到90％以上，位置偏差在±5cm以内，有效提高了识别效率和识别精度。

S20，对倒车影像图像进行边缘检测，得到边缘信息。

识别完车位角点后，采用Canny检测器对倒车影像图像进行边缘检测。在进行边缘检测的过程中，首先采用高斯滤波算法对倒车影像图像进行降噪处理。具体地，对倒车影像图像进行灰度化处理，并采用5*5的高斯内核(高斯卷积核)对倒车影像图像进行降噪处理。

其中，高斯滤波的主要目的是对灰度化处理后的倒车影像图像进行平滑处理，降低噪声，同时也有可能增大了边缘的宽度，方便后续进行边缘检测。由于高斯卷积核大小的选择将影响Canny检测器的性能，其高斯卷积核的尺寸越大，Canny检测器对噪声的敏感度越低，但是边缘检测的定位误差也将略有增加，因为对噪声不敏感的同时也对边缘不太敏感了，这使得后面的边缘检测器检测不到边缘，因此，本实施例中选用5*5的高斯内核对倒车影像图像进行降噪处理。

根据倒车影像图像中待滤波的像素点及其邻域点的灰度值按照一定的高斯函数的参数规则进行加权平均计算，这样可以有效滤去理想图像中叠加的高频噪声，而高斯函数是一个类似与正态分布的中间大两边小的函数。

对于一个位置为(m，n)的像素点，其灰度值为f(m，n)，那么经过高斯滤波后的灰度值g_σ(m，n)将变为：

也即是，用一个高斯矩阵乘以每一个像素点及其邻域，取其带权重的平均值作为最后的灰度值，而边缘就是灰度值变化较大的像素点的集合。在本实施例中，用梯度来表示灰度值的变化程度和方向，可以通过点乘一个sobel算子或其它算子得到不同方向(x方向、y方向)的梯度值g_x(m，n)，g_y(m，n)；

综合梯度通过以下公式计算梯度值(G(m，n))和梯度方向(θ)：

在高斯滤波过程中，边缘有可能被放大了。这个步骤使用一个规则来过滤不是边缘的点，使边缘的宽度尽可能为1个像素点，如果一个像素点属于边缘，那么这个像素点在梯度方向上的梯度值是最大的，否则不是边缘，将灰度值设为0。

其中，设置两个阈值(threshold)，分别为上限阈值和下限阈值，通过两个阈值来进行边缘的判断，可以提高判断的准确度。其中，大于上限阈值的都被确定为边缘，而低于下限阈值的都被确定为非边缘，对于中间的像素点，如果与确定为边缘的像素点邻接，则判定为边缘，否则为非边缘。

上限阈值和下限阈值可根据实际情况进行设定，在本实施例中，设置下限阈值设置为100、上限阈值设置为200、Canny算子的孔径参数为3为例进行相应说明，通过上限阈值、下限阈值和Canny算子的孔径参数对倒车影像图像进行边缘检测得到边缘信息。

S30，确定倒车影像图像中的多条直线，并基于车位角点，对多条直线进行筛选。

对边缘检测后的倒车影像图像进行霍夫变换获取图像中的多条直线；其中，霍夫变换采用的是累计概率霍夫变换对图像进行处理，通过变换得到图像中的直线信息，其中，直线信息包含表示各直线的数学表达式。

计算车位角点与各直线之间的距离，将其记为第一距离，具体计算公式如下：

其中，d为距离，x1、y1为车位角点的坐标，A、B、C为直线的一般式表达式系数。

遍历完倒车影像图像中所有的车位角点，计算每个车位角点与倒车影像图像中所有直线之间的距离，计算得到各车位角点到各直线之间的距离后，由于车位的边线和底线都经过角点，因此可以通过删除第一距离大于预定距离阈值的直线，以消除环境中其他信息的干扰，其中，预定距离阈值可根据实际情况进行设定，例如，本实施例中设置距离阈值为20cm，即删除车位角点到直线的距离超过20cm的直线。

S40，计算保留的各直线的斜率，根据斜率确定各直线的属性。

在一种实施方式中，如图2所示，步骤S40中“根据斜率确定各所述直线的属性”可具体包括：

S41，定位泊车过程中的实时车位底线，并计算实时车位底线与待泊车辆的中轴线之间的夹角。

S42，计算保留的各直线的斜率与夹角之间的角度差值。

S43，若角度差值处于第一预设角度区间内，则将对应的直线作为车位底线。

S44，若角度差值处于第二预设角度区间内，则将对应的直线作为车位边线。

如图3的车位识别示意图所示，在倒车影像图像中建立直角坐标系，其中，图3中各标号：A、B、C、D、E为车位角点；1为待泊车辆；2为待泊车辆的倒车影像摄像头；3为倒车影像图像；4为待泊车位的右侧车位5为待泊车位；6为预泊车车位左侧车位；Aa、AB、Bb、BC、Cc、CD、Dd等为各条直线。

根据直线的斜率判断直线属于车位的边线或底线，具体地，泊车开始的时候是按照可以看到完整车位进行泊车的，待泊车辆自身有IMU等定位系统，从而可以实时定位泊车过程中的车位底线，并实时计算出车位底线与待泊车辆的中轴线之间的夹角，即车位底线与车身之间的夹角。但是由于泊车的进行，其计算结果会出现累计误差，因此需要进行修正。本实施例中对此设置一假设条件，假设累计误差导致车身与底线的夹角计算偏差不超过10°。

通过计算倒车影像图像中各条直线的斜率，并与自动泊车时所计算的车身与底线的夹角进行对比，即计算各直线的斜率与夹角之间的角度差值，若角度差值处于第一预设角度区间内，则将对应的直线作为车位底线；若角度差值处于第二预设角度区间内，则将对应的直线作为车位边线。

其中，第一预设角度区间和第二预设角度区间可根据实际情况进行设定，在此不做限定。例如，本实施例设定，各直线与计算得到的夹角的角度差值落在[-10°，10°]范围以内，则将该直线作为车位底线，当各直线与计算得到的角度差值落在[80°，100°]范围内，则将该直线作为车位边线，其余直线视作环境噪声。

在车位的边线和底线的识别过程中，车位线与角点的依赖关系解决了环境中其他因素对车位识别的影响，车位线识别的准确率亦可以达到90％以上，从而提高了车位线识别精度，进而方便后续过程中根据车位线进行泊车路径的调整，提高了泊车的精准度，避免泊车时出现车身不正或泊车失败的情况。

S50，根据车位边线，确定待泊车位的边线。

由于上述步骤中所得到的车位边线和车位底线是倒车影像图像中所能显示的所有车位的边线和底线，因此需要从中确定待泊车位的边线和底线。由于车位底线与待泊车位的底线呈共线关系，因此，车位底线就是待泊车位的底线，而后根据待泊车辆与各车位边线的位置关系确定待泊车位的边线。另外，还可以先确定待泊车位的边线，其待泊车位的底线即是在所有车位底线中经过车位角点且连接两条待泊车位的边线的直线。

可选的，如图4所示，步骤S50可具体包括：

S51，在倒车影像图像中，判断各车位边线相对于待泊车辆的方向。

S52，在倒车影像图像中建立直角坐标系，并标记各车位边线与直角坐标系中横轴的交点。

S53，计算各交点与倒车影像图像的中轴线之间的第二距离。

S54，若第二距离小于预定阈值，则确定交点所对应的车位边线为待泊车位对应方向的边线。

在倒车影像图像中，判断各车位边线处于待泊车辆的哪个方向的位置，例如，图3中，经过A点的边线处于待泊车辆的左侧，经过C点的边线处于待泊车辆的右侧，与此同理，其他边线的方向也可以确定，在此不做赘述。

在倒车影像图像中，标记各车位边线与直角坐标系中横轴的交点，如图3中，经过A点的边线与横轴的交点为a点，与此同理，其他交点也可以得到，在此不做赘述。

计算各个交点与倒车影像图像的中轴线之间的距离，将其记为第二距离。在倒车影像图像中，倒车影像摄像头的位置处于图像的正中心，因此，第二距离也就是各交点到倒车影像摄像头之间的距离。

当第二距离小于预定阈值时，则确定该交点对应的车位边线为待泊车位的车位边线，例如，图3中a点与倒车影像图像的中轴线之间的距离大于预定阈值，则说明a点对应的车位边线Aa不是待泊车位的边线，b点与倒车影像图像的中轴线之间的距离小于预定阈值，则说明b点对应的车位边线Bb为待泊车位的边线，与此同理，当计算得到两条待泊车位的边线后，可确定待泊车位的相应位置信息。其中，该预定阈值可根据实际情况进行设定，本实施例对此不做限定。

可选的，如图5所示，步骤S50也可具体包括：

S55，在倒车影像图像中建立直角坐标系，并计算各车位边线在直角坐标系中的第一横截距，以及计算倒车影像图像的中轴线在直角坐标系中的第二横截距。

S56，若第一横截距与第二横截距之间的距离差值落在预定距离区间内，则将第一横截距对应的车位边线作为待泊车位的边线。

在确定待泊车位的边线时，还可以计算各车位边线以及倒车影像图像中轴线在直角坐标系中的横截距，分别记为第一横截距和第二横截距。根据第一横截距和第二横截距，判断边线的车位归属，当第一横截距和第二横截距之间的距离差值落在预定距离区间内，则将该第一横截距对应的车位边线作为待泊车位的边线，其中，预定距离区间在此不做限定，可根据实际情况进行相应设定。

例如，计算各车位边线对应于坐标系中在x轴上的截距a、b、c、d的大小，以及计算倒车影像图像中轴线的截距大小。因为车位宽度有标准，以实际应用场景中的垂直车位为例，车位宽度在2.5m左右。因此，如果车位边线的x轴截距在车位左边，且到中轴线距离为0～2.5m，则认为该车位边线是待泊车位的左边线，如果车位边线的横截距在车位左边且到中轴线距离为2.5m～5.0m，则认为车位是左侧车位的左边线，右侧亦然。上述的待泊车位边线的确定方法在实际应用中效果较好，因此具有一定实用性。

本实施例所提供的不完整车位识别方法，第一方面，通过车辆本身的倒车影像摄像头所拍摄的倒车影像图像，识别不完整车位，低成本地解决了车辆在泊车过程中汽车部分进入车位后，无法看到完整车位导致的泊车失败或车身不正的问题；第二方面，通过车位角点识别模型识别车位角点，提高了识别效率和准确度；第三方面，在车位线的识别过程中，通过车位线与角点的依赖关系来识别车位线，可以避免环境中其他因素对车位线识别的影响，提高识别的准确度，进而提高了不完整车位识别的准确度和后续泊车入位的精确度。

实施例2

本发明实施例提供了一种自动泊车方法，如图6所示，下面对该自动泊车方法进行详细说明。

S20，对倒车影像图像进行边缘检测，得到边缘信息。

S50，根据车位边线，确定待泊车位的边线。

S60，实时计算待泊车位的边线和车位底线与待泊车辆之间的距离和角度，生成反馈信息。

S70，根据反馈信息实时调整泊车路径，并按照调整后的泊车路径进行泊车。

在本实施例中，步骤S10-S50对应于实施例1中的各步骤，故在此不再赘述。

自动泊车中车位识别通常采用最近位置识别的方法，也就是在车辆较靠近车位时进行识别，在该位置可以获得较高的精度。车辆泊入过程中，加入反馈机制，使泊车在最后阶段可以进行修正，对于提高泊车成功率是非常有必要的。

因此，在自动泊车的过程中，可以实时计算待泊车位的边线和车位底线(或待泊车位的底线)与待泊车辆之间的距离和角度，以此生成反馈信息，待泊车辆的自动泊车系统根据该反馈信息不断实时调整泊车路径，即不断修正泊车的角度、方向等，从而按照调整后的泊车路径进行泊车，避免出现车身不正或泊车失败的情况，提高泊车的准确度，具有较好实用性，从而可以广泛应用于自动泊车的应用优化中。

实施例3

如图7所示，本实施例提供一种不完整车位识别装置，包括：

角点识别模块71，用于获取泊车过程中的倒车影像图像，通过车位角点识别模型识别所述倒车影像图像中的车位角点；

边缘检测模块72，用于对所述倒车影像图像进行边缘检测，得到边缘信息；

筛选模块73，用于确定所述倒车影像图像中的多条直线，并基于所述车位角点，对所述多条直线进行筛选；

斜率计算模块74，用于计算保留的各所述直线的斜率，根据所述斜率确定各所述直线的属性，所述属性包括车位边线和车位底线；

确定模块75，用于根据所述车位边线，确定待泊车位的边线。

上述的不完整车位识别装置对应于实施例1的不完整车位识别方法；实施例1中的任何可选项也适用于本实施例，这里不再详述。

本发明实施例还提供了一种计算机设备，该所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述实施例的不完整车位识别方法。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据(比如倒车影像图像、车位角点等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述实施例的不完整车位识别方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims

1.一种不完整车位识别方法，其特征在于，包括：

对所述倒车影像图像进行边缘检测，得到边缘信息；

根据所述车位边线，确定待泊车位的边线。

2.根据权利要求1所述的不完整车位识别方法，其特征在于，所述根据所述车位边线，确定待泊车位的边线包括：

在所述倒车影像图像中，判断各所述车位边线相对于待泊车辆的方向；

3.根据权利要求1所述的不完整车位识别方法，其特征在于，所述根据所述车位边线，确定待泊车位的边线包括：

4.根据权利要求1所述的不完整车位识别方法，其特征在于，所述根据所述斜率确定各所述直线的属性包括：

定位泊车过程中的实时车位底线，并计算所述实时车位底线与待泊车辆的中轴线之间的夹角；

计算各所述直线的斜率与所述夹角之间的角度差值；

5.根据权利要求1所述的不完整车位识别方法，其特征在于，所述确定所述倒车影像图像中的多条直线，并基于所述车位角点，对所述多条直线进行筛选包括：

6.根据权利要求1所述的不完整车位识别方法，其特征在于，所述车位角点识别模型的获取过程包括：

获取历史泊车影像图像；

7.一种自动泊车方法，其特征在于，包括：

根据权利要求1-6中任一项所述的不完整车位识别方法，获取待泊车位的边线和车位底线；

8.一种不完整车位识别装置，其特征在于，包括：

确定模块，用于根据所述车位边线，确定待泊车位的边线。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施权利要求1-6中任一项所述的不完整车位识别方法。

10.一种计算机存储介质，其特征在于，其存储有计算机程序，所述计算机程序被执行时，实施根据权利要求1-6中任一项所述的不完整车位识别方法。