CN116740682A - 车辆泊入路线信息生成方法、装置、电子设备和可读介质 - Google Patents
车辆泊入路线信息生成方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN116740682A CN116740682A CN202311014935.0A CN202311014935A CN116740682A CN 116740682 A CN116740682 A CN 116740682A CN 202311014935 A CN202311014935 A CN 202311014935A CN 116740682 A CN116740682 A CN 116740682A
- Authority
- CN
- China
- Prior art keywords
- information
- position information
- model
- parking space
- parking
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000000903 blocking effect Effects 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 26
- 238000007790 scraping Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆泊入路线信息生成方法、装置、电子设备和可读介质。该方法的一具体实施方式包括:获取停车位图像;根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;对停车位图像进行挡轮杆识别处理,得到挡轮杆的位置信息作为初始位置信息;基于初始位置信息,生成挡轮杆在直角坐标系中的位置信息作为挡轮杆位置信息;获取传感器单元所采集的停车位周围环境信息作为停车位信息;基于挡轮杆位置信息与停车位信息,建立三维空间信息模型;基于三维空间信息模型,生成泊入路线信息。该实施方式减少了车辆泊入过程中碰撞挡轮杆状况的发生,减少了车辆剐蹭次数,提高了车辆泊入安全性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车辆泊入路线信息生成方法、装置、电子设备和可读介质。
背景技术
车辆泊入路线信息生成,是生成车辆泊入到停车位的泊入路线信息的一项技术。目前,在生成车辆泊入路线时,通常采用的方式为:直接根据车辆位置信息和停车位置信息生成车辆泊入路线信息或直接对停车位图像进行挡轮杆识别,根据识别的挡轮杆位置信息生成车辆泊入路线信息。
然而,当采用上述方式生成车辆泊入路线时,经常会存在如下技术问题:
第一,直接根据车辆位置信息和停车位置信息生成车辆泊入路线信息的方式,生成的车辆泊入路线信息没有考虑停车位中挡轮杆的位置信息,泊入过程中容易碰撞到挡轮杆,导致车辆剐蹭次数增加。车辆泊入安全性较低。
第二,直接对停车位图像进行挡轮杆识别,根据识别的挡轮杆位置信息生成车辆泊入路线信息的方式,直接对停车位图像进行挡轮杆识别,挡轮杆尺寸体积较小,难以识别出挡轮杆的边缘细节,而且停车位图像中存在限位杆、限位块等图像的干扰,导致识别出的挡轮杆位置信息精确度较低,进而增加了车辆泊入过程中碰撞到挡轮杆的次数。车辆泊入安全性较低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆泊入路线信息生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车辆泊入路线信息生成方法,该方法包括:获取停车位图像;根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息;基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息;获取传感器单元所采集的停车位周围环境信息作为停车位信息;基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型;基于上述三维空间信息模型,生成车辆泊入路线信息。
第二方面,本公开的一些实施例提供了一种车辆泊入路线信息生成装置,装置包括:第一获取单元,被配置成获取停车位图像;第一建立单元,被配置成根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;识别单元,被配置成对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息;第一生成单元,被配置成基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息;第二获取单元,被配置成获取传感器单元所采集的停车位周围环境信息作为停车位信息;第二建立单元,被配置成基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型;第二生成单元,被配置成基于上述三维空间信息模型,生成车辆泊入路线信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的车辆泊入路线信息生成方法,减少了车辆泊入过程中车辆剐蹭次数,提高了车辆泊入安全性。具体来说,造成车辆泊入过程中车辆泊入安全性较低的原因在于:直接根据车辆位置信息和停车位置信息生成车辆泊入路线信息的方式,生成的车辆泊入路线信息没有考虑停车位中挡轮杆的位置信息,泊入过程中容易碰撞到挡轮杆,导致车辆剐蹭次数增加。车辆泊入安全性较低。基于此,本公开的一些实施例的车辆泊入路线信息生成方法,首先,获取停车位图像。由此,可以得到停车位图像。然后,根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系。由此,可以得到用于将挡轮杆图像中二维位置信息转换成三维空间图像信息的三维坐标系。接着,对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息。由此,可以通过对挡轮杆进行识别,得到挡轮杆在停车位图像中的位置信息。然后,基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息。由此,可以得到将挡轮杆在停车位图像中的二维位置信息转换成三维坐标系中的三维位置信息。之后,获取传感器单元所采集的停车位周围环境信息作为停车位信息。由此,可以得到用于生成三维空间信息模型的周围环境信息。接着,基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型。由此,可以得到表征车辆、挡轮杆与停车位周围三维空间环境信息的三维空间信息模型。最后,基于上述三维空间信息模型,生成车辆泊入路线信息。也因为采用了对停车位图像进行挡轮杆识别,得到挡轮杆在停车位图像中的二维位置信息。然后,将挡轮杆二维位置信息转换成三维位置信息,根据挡轮杆的三维位置信息,以及采集到的停车位周围环境信息构建三维空间模型,以生成车辆泊入路线信息。由于生成车辆泊入路线信息过程中考虑到了挡轮杆的位置信息,提高了生成车辆泊入路线信息的准确性。进而,减少了车辆泊入过程中碰撞挡轮杆状况的发生,从而,减少了车辆泊入过程中车辆剐蹭次数,提高了车辆泊入安全性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的车辆泊入路线信息生成方法的一些实施例的流程图;
图2是根据本公开的车辆泊入路线信息生成装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车辆泊入路线信息生成方法的一些实施例的流程100。该车辆泊入路线信息生成方法,包括以下步骤:
步骤101,获取停车位图像。
在一些实施例中,车辆泊入路线信息生成方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式获取停车位图像。其中,上述停车位图像可以为包含挡轮杆的车位图像。实践中,上述执行主体可以获取摄像头所采集的停车位图像。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系。
在一些实施例中,上述执行主体可以根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系。其中,上述预设坐标原点可以为车辆后轴中心点。上述预设横向正方向可以为在车辆的右侧与车辆行驶方向成90度角的方向。上述预设纵向正方向可以为车辆的行驶方向。上述预设竖向正方向可以为垂直地面向上的方向。
步骤103,对停车位图像进行挡轮杆识别处理,得到挡轮杆在停车位图像中的位置信息作为初始位置信息。
在一些实施例中,上述执行主体可以对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息。实践中,上述执行主体可以将上述停车位图像输入至挡轮杆识别模型,得到挡轮杆在上述停车位图像中的位置信息。上述位置信息可以是指图像中表示挡轮杆位置的各个图像坐标。其中,上述挡轮杆识别模型可以是以停车位图像为输入数据,以挡轮杆在停车位图像中的位置信息为输出数据的神经网络模型。上述神经网络模型可以是CNN模型,YOLO模型。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息:
第一步,将上述停车位图像中的各个像素点确定为像素点集合。
第二步,对于上述像素点集合中的每个像素点,执行以下像素点处理步骤:
第一子步骤,将上述像素点的红绿蓝三个颜色通道的数值确定为颜色值集合。其中,上述颜色通道可以为保存图像颜色信息的通道。上述颜色值集合中的颜色值可以为表示图像颜色信息的数值。例如,上述颜色值可以为R=0。上述颜色值集合可以为(R=0,G=255,B=0)。上述R可以为红色通道的颜色值。上述G可以为绿色通道的颜色值。上述B可以为蓝色通道的颜色值。
第二子步骤,根据上述颜色值集合中的各个颜色值,生成像素点亮度值。上述执行主体可以将0.299 * R + 0.587 * G + 0.114 * B的和确定为亮度值。例如,上述亮度值可以为0.299 * 0 + 0.587 * 255 + 0.114 * 0 = 149.685。
第三子步骤,将上述像素点的像素值更新为上述像素点亮度值。
第四子步骤,将上述像素点的颜色通道数确定为预设数值。其中,上述预设数值可以为1。
第三步,将各个像素点通过上述像素点处理步骤处理后的停车位图像确定为停车位灰度图。其中,上述停车位灰度图像可以为停车位图像中每个像素点只有颜色通道数为1的颜色值的图像。
第四步,对于上述停车位灰度图中的每个灰度像素点,执行以下锐化处理步骤:
子步骤一,将预设锐化卷积核的中心与上述灰度像素点对齐,得到对齐后的卷积窗口区域。其中,上述预设卷积核可以是一种用于增强图像的轮廓和边缘的矩阵。例如,上述预设锐化卷积核可以为。停车位灰度图中的各个灰度像素点可以以对应的像素值表示,例如,停车位灰度图中的各个灰度像素点可以为/>。上述中第一行第一列0表示停车位灰度图中第一行第一列像素值为0的灰度像素点。实践中,上述执行主体可以将锐化卷积核的中心与灰度像素点对齐。作为示例,上述卷积核的中心可以为卷积核中第二行第二列对应的数值5。灰度像素点可以为上述各个像素值中的第二行第二列对应的像素值为1的灰度像素点。上述卷积窗口区域可以是以像素值为1的灰度像素点为中心的3*3的区域。
子步骤二,基于上述卷积窗口区域,确定第一灰度像素点集合。实践中,上述执行主体可以将卷积窗口区域内对应的停车位灰度图中各个灰度像素点确定为第一灰度像素点集合。作为示例,上述第一灰度像素点集合可以为{第一行第一列像素值为0的灰度像素点,第一行第二列像素值为0的灰度像素点,第一行第三列像素值为0的灰度像素点,第二行第一列像素值为0的灰度像素点,第二行第二列像素值为1的灰度像素点,第二行第三列像素值为2的灰度像素点,第三行第一列像素值为0的灰度像素点,第三行第二列像素值为0的灰度像素点,第三行第三列像素值为0的灰度像素点}。
子步骤三,基于上述预设锐化卷积核与上述第一灰度像素点集合,生成第一卷积值。实践中,首先,上述执行主体可以确定第一灰度像素点集合对应的第一灰度像素值集合{0,0,0,0,1,2,0,0,0}。然后,上述执行主体可以将上述预设锐化卷积核与上述第一灰度像素值集合进行卷积运算,得到第一卷积值。作为示例,上述第一卷积值可以为0*0+(-1)*0+0*0+(-1)*0+5*1+(-1)*2+0*0+(-1)*0+0*0=3。
子步骤四,将上述灰度像素点的像素值更新为上述第一卷积值。
第五步,将各个灰度像素点通过上述锐化处理步骤处理后的停车位灰度图确定为目标停车位图像。
第六步,对上述目标停车位图像进行边缘检测,得到对应上述目标停车位图像的边缘信息。实践中,上述执行主体可以将上述目标停车位图像进行Canny边缘检测算法,得到对应上述目标停车位图像的边缘信息。其中,上述边缘信息可以是用于表征上述目标停车位图像中物体轮廓以及目标停车位图像中亮度变化明显的线条、纹理的信息。
第七步,对上述边缘信息进行边缘连接处理,得到各个边缘轮廓信息作为边缘轮廓信息集合,其中,上述边缘轮廓信息集合中的边缘轮廓信息包括以下至少一项:形状参数与尺度参数。
第八步,将上述边缘轮廓信息集合中的每个边缘轮廓信息与预设挡轮杆边缘轮廓信息进行轮廓信息匹配,得到匹配值集合。实践中,上述执行主体可以通过模板匹配算法将上述边缘轮廓信息集合中的每个边缘轮廓信息与预设挡轮杆边缘轮廓信息进行相似度计算,得到各个相似度作为相似度集合。然后上述执行主体可以将上述相似度集合确定为匹配值集合。
第九步,响应于确定上述匹配值集合中包括满足预设条件的匹配值,将满足预设条件的匹配值确定为目标匹配值。上述预设条件可以为匹配值集合中匹配值最大。
第十步,将上述目标匹配值对应的边缘轮廓信息确定为目标边缘轮廓信息。
第十一步,将对应上述目标边缘轮廓信息的边缘轮廓在上述目标停车位图像中的位置信息确定为目标位置信息。
第十二步,将上述目标位置信息确定为挡轮杆在上述停车位图像中的位置信息。
第十三步,将所确定的挡轮杆在上述停车位图像中的位置信息确定为初始位置信息。
上述技术方案及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“直接对停车位图像进行挡轮杆识别,根据识别的挡轮杆位置信息生成车辆泊入路线信息的方式,直接对停车位图像进行挡轮杆识别,挡轮杆尺寸体积较小,难以识别出挡轮杆的边缘细节,而且停车位图像中存在限位杆、限位块等图像的干扰,导致识别出的挡轮杆位置信息精确度较低,进而增加了车辆泊入过程中碰撞到挡轮杆的次数。车辆泊入安全性较低”。导致车辆泊入安全性较低的因素往往如下:直接对停车位图像进行挡轮杆识别,根据识别的挡轮杆位置信息生成车辆泊入路线信息的方式,直接对停车位图像进行挡轮杆识别,挡轮杆尺寸体积较小,难以识别出挡轮杆的边缘细节,而且停车位图像中存在限位杆、限位块等图像的干扰,导致识别出的挡轮杆位置信息精确度较低,进而增加了车辆泊入过程中碰撞到挡轮杆的次数。车辆泊入安全性较低。如果解决了上述因素,就能达到提高泊入安全性。为了达到这一效果,本公开通过以下步骤第一步,将上述停车位图像中的各个像素点确定为像素点集合。由此,可以得到用于生成停车位灰度图的像素点集合。第二步,对于上述像素点集合中的每个像素点,执行以下像素点处理步骤:第一子步骤,将上述像素点的红绿蓝三个颜色通道的数值确定为颜色值集合。由此,可以得到用于更新上述像素点的像素值的颜色值集合。第二子步骤,根据上述颜色值集合中的各个颜色值,生成像素点亮度值。第三子步骤,将上述像素点的像素值更新为上述像素点亮度值。由此,可以更新像素点的像素值。第四子步骤,将上述像素点的颜色通道数确定为预设数值。由此,可以将像素点的颜色通道数由三通道转变为颜色通道为一通道的灰度通道。第三步,将各个像素点通过上述像素点处理步骤处理后的停车位图像确定为停车位灰度图。由此,可以得到用于锐化处理的停车位灰度图。第四步,对于上述停车位灰度图中的每个灰度像素点,执行以下锐化处理步骤:子步骤一,将预设锐化卷积核的中心与上述灰度像素点对齐,得到对齐后的卷积窗口区域。由此,可以得到用于确定第一灰度像素点集合的卷积窗口区域。子步骤二,基于上述卷积窗口区域,确定第一灰度像素点集合。由此,可以得到用于生成第一卷积值的第一灰度像素点集合。子步骤三,基于上述预设锐化卷积核与上述第一灰度像素点集合,生成第一卷积值。子步骤四,将上述灰度像素点的像素值更新为上述第一卷积值。第五步,将各个灰度像素点通过上述锐化处理步骤处理后的停车位灰度图确定为目标停车位图像。由此,可以经过锐化处理,得到锐化处理后的表征图像中各个轮廓边缘和轮廓细节增强后的停车位灰度图。第六步,对上述目标停车位图像进行边缘检测,得到对应上述目标停车位图像的边缘信息。由此,可以得到表征上述目标停车位图像中物体轮廓以及目标停车位图像中亮度变化明显的线条、纹理的边缘信息。第七步,对上述边缘信息进行边缘连接处理,得到各个边缘轮廓信息作为边缘轮廓信息集合,其中,上述边缘轮廓信息集合中的边缘轮廓信息包括以下至少一项:形状参数与尺度参数。第八步,将上述边缘轮廓信息集合中的每个边缘轮廓信息与预设挡轮杆边缘轮廓信息进行轮廓信息匹配,得到匹配值集合。第九步,响应于确定上述匹配值集合中包括满足预设条件的匹配值,将满足预设条件的匹配值确定为目标匹配值。由此,可以得到表征与预设挡轮杆边缘轮廓信息相似度最大的匹配值。第十步,将上述目标匹配值对应的边缘轮廓信息确定为目标边缘轮廓信息。第十一步,将对应上述目标边缘轮廓信息的边缘轮廓在上述目标停车位图像中的位置信息确定为目标位置信息。第十二步,将上述目标位置信息确定为挡轮杆在上述停车位图像中的位置信息。第十三步,将所确定的挡轮杆在上述停车位图像中的位置信息确定为初始位置信息。由此,可以得到表征挡轮杆在上述停车位图像中的位置信息的初始位置信息。也因为采用了对停车位灰度图像进行锐化处理,使得停车位灰度图像中的各个轮廓边缘和轮廓细节更加突出。进而,使得挡轮杆的边缘细节得到了增强。在对锐化后的停车位灰度图像进行挡轮杆识别过程中采用了轮廓信息匹配,根据与预设挡轮杆边缘轮廓信息相似度最大的边缘轮廓信息,确定表征挡轮杆在上述停车位图像中的位置信息的初始位置信息。减少了将限位杆、限位块等图像识别成挡轮杆的概率。提高了识别出的挡轮杆位置信息精确度,减少了车辆泊入过程中碰撞到挡轮杆的次数。进而,提高了车辆泊入安全性。
步骤104,基于初始位置信息,生成挡轮杆在直角坐标系中的位置信息作为挡轮杆位置信息。
在一些实施例中,上述执行主体可以基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息:
第一步,获取上述停车位图像的采集设备内参参数作为内参参数。上述采集设备可以包括但不限于以下至少一项:相机、摄像头与扫描仪。上述采集设备内参参数可以包括焦距、光心坐标、像素尺寸与镜头畸变。
第二步,获取上述停车位图像的采集设备外参参数作为外参参数。上述采集设备外参参数可以包括:旋转矩阵与平移向量。
第三步,根据上述内参参数,对上述初始位置信息进行第一坐标转换,得到挡轮杆在相机坐标系中的位置信息作为相机坐标位置信息。实践中,上述执行主体可以通过逆投影技术根据内参参数,将初始位置信息由二维位置信息转换成相机坐标系中的三维位置信息作为相机坐标位置信息。
第四步,根据上述外参参数,对上述相机坐标位置信息进行第二坐标转换,得到挡轮杆在世界坐标系中的位置信息作为世界坐标位置信息。实践中,上述执行主体可以将相机坐标位置信息与外参参数包括的旋转矩阵进行矩阵乘法运算,得到第一转换信息。然后,上述执行主体可以将上述第一转换信息与上述外参参数包括的平移向量进行相加,得到第二转换信息。最后,上述执行主体可以将所得到的第二转换信息确定为挡轮杆在世界坐标系中的位置信息作为世界坐标位置信息。
第五步,将上述世界坐标系确定为原始坐标系。
第六步,将上述直角坐标系确定为目标坐标系。
第七步,确定上述原始坐标系与上述目标坐标系对应的转换关系矩阵。实践中,上述执行主体可以通过刚体变换技术确定原始坐标系与上述目标坐标系对应的转换关系矩阵。
第八步,根据上述世界坐标位置信息与上述转换关系矩阵,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息。实践中,上述执行主体可以将世界坐标位置信息与转换关系矩阵进行矩阵乘法,得到挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息。作为示例,上述世界坐标位置信息可以为{(0,0,0),(1,100,0),(0,50,0)}。上述转换关系矩阵可以为。上述挡轮杆在上述直角坐标系中的各个位置可以为=/>*/>,/>=/>*/>,/>=/>*。上述挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息可以为{(0,0,0),(0,100,0),(0,50,0)}。
步骤105,获取传感器单元所采集的停车位周围环境信息作为停车位信息。
在一些实施例中,上述执行主体可以获取传感器单元所采集的停车位周围环境信息作为停车位信息。其中,上述传感器单元可以包括但不限于以下至少一项:摄像头传感器、激光雷达传感器。上述停车位周围环境信息可以包括:车位大小和位置与障碍物信息。实践中,首先,上述执行主体可以通过摄像头传感器采集有关车位周围的图像。然后,上述执行主体可以通过颜色分析和几何形状分析技术来对图像进行分析,得到车位大小和位置。接着,上述执行主体可以通过获取摄像头传感器采集预设时间长度的有关车位周围环境的视频。然后,上述执行主体可以通过目标检测与跟踪算法对上述视频中的物体进行识别,从而得到有关车位周围的各个物体信息作为障碍物信息。
步骤106,基于挡轮杆位置信息与停车位信息,建立三维空间信息模型。
在一些实施例中,上述执行主体可以基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型。实践中,上述执行主体可以通过几何建模技术根据上述挡轮杆位置信息与上述停车位信息建立三维空间信息模型。其中,上述三维空间信息模型可以是用于描述空间数据、地理信息和地理空间关系的数学模型和数据结构。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型:
第一步,将上述直角坐标系确定为三维空间信息模型的空间坐标系。
第二步,根据上述挡轮杆位置信息、预设挡轮杆几何数据与上述停车位信息,在上述空间坐标系中创建至少一个几何模型,其中,上述预设挡轮杆几何数据可以是用于表示上述挡轮杆的空间形状和尺寸的数据。需要说明的是,上述预设挡轮杆几何数据并不包含挡轮杆在直角坐标系中的挡轮杆位置信息。上述挡轮杆位置信息是通过上述对停车位图像进行挡轮杆识别处理,然后将识别得到的挡轮杆在上述停车位图像中的位置信息经过一系列转换得到挡轮杆位置信息。上述至少一个几何模型包括以下至少一项:车位几何模型、与挡轮杆几何模型。其中,上述车位几何模型是描述和表示停车位的空间形状和尺寸的模型。挡轮杆几何模型是描述和表示挡轮杆的空间形状和尺寸的模型。实践中,上述执行主体可以通过虚拟现实工具根据上述挡轮杆位置信息、预设挡轮杆几何数据与上述停车位信息,在上述空间坐标系中创建至少一个几何模型。其中上述虚拟现实工具可以包括但不限于以下至少一项:开放图形库(OpenGL)与Java3D。
第三步,将创建至少一个几何模型后的空间坐标系确定为模型坐标系。
第四步,在上述模型坐标系中确定包含上述至少一个几何模型的最小外接长方体。
第五步,将上述最小外接长方体的每个顶点在上述模型坐标系中的坐标确定为目标坐标,得到目标坐标集合。
第六步,将对应上述目标坐标集合的空间确定为目标空间。
第七步,将对应上述目标空间的模型坐标系中的三维空间信息确定为三维空间信息模型。上述三维空间信息可以用于表征三维空间中存在的各种对象的位置、形状、大小、方向的信息。例如,上述三维空间信息可以包括但不限于以下至少一项:至少一个三维物体几何形状信息、层次关系信息。上述层次关系信息可以为表示上述至少一个几何模型存在的空间位置关系的数据。
步骤107,基于三维空间信息模型,生成车辆泊入路线信息。
在一些实施例中,上述执行主体可以基于上述三维空间信息模型,生成车辆泊入路线信息。上述车辆泊入路线信息可以是用于表示车辆泊入到停车位的泊入路线。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述三维空间信息模型,生成车辆泊入路线信息:
第一步,将上述三维空间信息模型中的三维空间信息确定为待划分三维空间信息。
第二步,根据预设划分尺寸和预设划分数量,对上述待划分三维空间信息进行划分,得到划分后的各个三维空间信息单元作为三维空间信息单元集合。实践中,首先,上述执行主体可以将对应待划分三维空间信息的最小外接长方体的大小确定为空间大小信息。然后,上述执行主体可以根据上述预设划分尺寸和预设划分数量对确定空间大小的待划分三维空间信息进行划分。作为示例,上述空间大小信息中空间长度可以为2、空间宽度可以为2、空间高度可以为2。上述预设划分尺寸可以为划分得到三维空间信息单元的空间边长。例如,上述预设划分尺寸可以为1。上述预设划分数量可以为8个。将空间大小信息为2*2*2的待划分三维空间信息根据空间进行划分,得到8个空间大小信息为1*1*1的三维空间信息单元作为三维空间信息单元集合。上述三维空间信息单元集合中的空间信息单元可以用于表示对应划分的空间大小信息为1*1*1的三维空间信息。
第三步,对于上述三维空间信息单元集合中的每一个三维空间信息单元,执行以下信息标注处理步骤:
子步骤一,将上述三维空间信息单元与上述障碍物信息进行碰撞检测,得到碰撞检测结果。实践中,上述执行主体可以利用包围盒碰撞检测技术将上述三维空间信息单元与上述障碍物信息进行碰撞检测,得到碰撞检测结果。首先,上述执行主体可以将三维空间信息单元对应的的空间位置信息确定为第一空间位置信息。然后,上述执行主体可以将障碍物信息中每个障碍物所在的空间位置信息确定为第二空间位置信息,得到第二空间位置信息集合。然后,上述执行主体可以对第一空间位置信息与第二空间位置信息集合中的每个空间位置信息进行求解交集,得到求解结果作为碰撞检测结果。
子步骤二,响应于确定碰撞检测结果表征上述三维空间信息单元与障碍物相交,将三维空间信息单元的数据标签更新为第一类型标签。上述第一类型标签可以表征三维空间信息单元的数据标签被标记为障碍物类型的标签。
子步骤三,响应于确定碰撞检测结果表征上述三维空间信息单元与障碍物不相交,将三维空间信息单元的数据标签更新为第二类型标签。上述第二类型标签可以表征三维空间信息单元的数据标签被标记为可行空间类型的标签。
第四步,将各个信息标注后的三维空间信息单元确定为目标空间信息单元集合。
第五步,将上述三维空间信息模型中的三维空间信息更新为目标三维空间信息单元集合,以对三维空间信息模型进行更新。
第七步,将更新后的三维空间信息模型确定为数据标注三维空间信息模型。
第六步,将上述预设坐标原点确定为起点位置信息。
第九步,基于上述数据标注三维空间信息模型、上述起点位置信息与预设终点位置信息,生成车辆泊入路线信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述数据标注三维空间信息模型、上述起点位置信息与预设终点位置信息,生成车辆泊入路线信息:
第一步,将上述数据标注三维空间信息模型、上述起点位置信息与预设终点位置信息确定为路线规划数据。
第二步,将上述路线规划数据输入到预先训练好的泊入路线规划模型中,得到泊入路线轨迹点信息集合。
第三步,基于上述泊入路线轨迹点信息集合,生成车辆泊入路线信息。实践中,上述执行主体可以通过泊入路线轨迹点信息集合输入至曲线拟合模型中,得到车辆泊入路线信息。上述曲线拟合模型可以是以泊入路线轨迹点信息集合为输入数据,以车辆泊入路线信息为输出数据的神经网络模型。例如,上述神经网络模型可以为BP神经网络模型与RNN模型。
可选地,上述泊入路线规划模型可以是通过以下步骤训练得到的:
第一步,获取样本集,其中,上述样本集中的样本包括样本路线规划数据,以及与样本路线规划数据对应的样本目标路线轨迹点信息集合。
第二步,基于样本集执行以下训练步骤:
第一子步骤,将样本集中的至少一个样本的样本路线规划数据输入至初始神经网络,得到上述至少一个样本中的每个样本对应的样本预测路线轨迹点信息集合。
第二子步骤,将上述至少一个样本中的每个样本对应的样本预测路线轨迹点信息集合与对应的样本路线轨迹点信息集合进行比较。实践中,上述执行主体可以通过交叉熵损失函数进行比较,确定出至少一个样本中的每个样本对应的样本路线轨迹点信息集合与对应的样本目标线轨迹点信息集合之间的差距作为损失函数值。
第三子步骤,根据比较结果确定初始神经网络是否达到预设的优化目标。其中,上述优化目标可以是损失函数值小于等于预设值。
第四子步骤,响应于确定初始神经网络达到上述优化目标,将初始神经网络作为训练完成的泊入路线规划模型。
第五子步骤,响应于确定初始神经网络未达到上述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back PropagationAlgorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始神经网络的网络参数进行调整。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的车辆泊入路线信息生成方法,减少了车辆泊入过程中车辆剐蹭次数,提高了车辆泊入安全性。具体来说,造成车辆泊入过程中车辆泊入安全性较低的原因在于:直接根据车辆位置信息和停车位置信息生成车辆泊入路线信息的方式,生成的车辆泊入路线信息没有考虑停车位中挡轮杆的位置信息,泊入过程中容易碰撞到挡轮杆,导致车辆剐蹭次数增加。车辆泊入安全性较低。基于此,本公开的一些实施例的车辆泊入路线信息生成方法,首先,获取停车位图像。由此,可以得到停车位图像。然后,根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系。由此,可以得到用于将挡轮杆图像中二维位置信息转换成三维空间图像信息的三维坐标系。接着,对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息。由此,可以通过对挡轮杆进行识别,得到挡轮杆在停车位图像中的位置信息。然后,基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息。由此,可以得到将挡轮杆在停车位图像中的二维位置信息转换成三维坐标系中的三维位置信息。之后,获取传感器单元所采集的停车位周围环境信息作为停车位信息。由此,可以得到用于生成三维空间信息模型的周围环境信息。接着,基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型。由此,可以得到表征车辆、挡轮杆与停车位周围三维空间环境信息的三维空间信息模型。最后,基于上述三维空间信息模型,生成车辆泊入路线信息。也因为采用了对停车位图像进行挡轮杆识别,得到挡轮杆在停车位图像中的二维位置信息。然后,将挡轮杆二维位置信息转换成三维位置信息,根据挡轮杆的三维位置信息,以及采集到的停车位周围环境信息构建三维空间模型,以生成车辆泊入路线信息。由于生成车辆泊入路线信息过程中考虑到了挡轮杆的位置信息,提高了生成车辆泊入路线信息的准确性。进而,减少了车辆泊入过程中碰撞挡轮杆状况的发生,从而,减少了车辆泊入过程中车辆剐蹭次数,提高了车辆泊入安全性。
进一步参考图2,作为对各图所示方法的实现,本公开提供了一种车辆泊入路线信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车辆泊入路线信息生成装置200包括:第一获取单元201、第一建立单元202、识别单元203、第一生成单元204、第二获取单元205、第二建立单元206和第二生成单元207。其中,第一获取单元201被配置成获取停车位图像;第一建立单元202被配置成根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;识别单元203被配置成对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息;第一生成单元204被配置成被配置成基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息;第二获取单元205被配置成获取传感器单元所采集的停车位周围环境信息作为停车位信息;第二建立单元206被配置成基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型;第二生成单元207被配置成基于上述三维空间信息模型,生成车辆泊入路线信息。
可以理解的是,该装置200中记载的诸单元与参考图1述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
计算机可读介质可以是电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当一个或者多个程序被该电子设备执行时,使得该电子设备:获取停车位图像;根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;对上述停车位图像进行挡轮杆识别处理,得到挡轮杆在上述停车位图像中的位置信息作为初始位置信息;基于上述初始位置信息,生成挡轮杆在上述直角坐标系中的位置信息作为挡轮杆位置信息;获取传感器单元所采集的停车位周围环境信息作为停车位信息;基于上述挡轮杆位置信息与上述停车位信息,建立三维空间信息模型;基于上述三维空间信息模型,生成车辆泊入路线信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,在有些作为替换的实现中,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,两个接连地表示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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、第一建立单元、识别单元、第一生成单元、第二获取单元、第二建立单元和第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取停车位图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种车辆泊入路线信息生成方法,包括:
获取停车位图像;
根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;
对所述停车位图像进行挡轮杆识别处理,得到挡轮杆在所述停车位图像中的位置信息作为初始位置信息;
基于所述初始位置信息,生成挡轮杆在所述直角坐标系中的位置信息作为挡轮杆位置信息;
获取传感器单元所采集的停车位周围环境信息作为停车位信息;
基于所述挡轮杆位置信息与所述停车位信息,建立三维空间信息模型;
基于所述三维空间信息模型,生成车辆泊入路线信息。
2.根据权利要求1所述的方法,其中,所述基于所述初始位置信息,生成挡轮杆在所述直角坐标系中的位置信息作为挡轮杆位置信息,包括:
获取所述停车位图像的采集设备内参参数作为内参参数;
获取所述停车位图像的采集设备外参参数作为外参参数;
根据所述内参参数,对所述初始位置信息进行第一坐标转换,得到挡轮杆在相机坐标系中的位置信息作为相机坐标位置信息;
根据所述外参参数,对所述相机坐标位置信息进行第二坐标转换,得到挡轮杆在世界坐标系中的位置信息作为世界坐标位置信息;
将所述世界坐标系确定为原始坐标系;
将所述直角坐标系确定为目标坐标系;
确定所述原始坐标系与所述目标坐标系对应的转换关系矩阵;
根据所述世界坐标位置信息与所述转换关系矩阵,生成挡轮杆在所述直角坐标系中的位置信息作为挡轮杆位置信息。
3.根据权利要求1所述的方法,其中,所述基于所述挡轮杆位置信息与所述停车位信息,建立三维空间信息模型,包括:
将所述直角坐标系确定为三维空间信息模型的空间坐标系;
根据所述挡轮杆位置信息、预设挡轮杆几何数据与所述停车位信息,在所述空间坐标系中创建至少一个几何模型,其中,所述至少一个几何模型包括以下至少一项:车位几何模型与挡轮杆几何模型;
将创建至少一个几何模型后的空间坐标系确定为模型坐标系;
在所述模型坐标系中确定包含所述至少一个几何模型的最小外接长方体;
将所述最小外接长方体的每个顶点在所述模型坐标系中的坐标确定为目标坐标,得到目标坐标集合;
将对应所述目标坐标集合的空间确定为目标空间;
将对应所述目标空间的模型坐标系中的三维空间信息确定为三维空间信息模型。
4.根据权利要求3所述的方法,其中,所述停车位信息包括车位大小和位置、车道宽度与障碍物信息;以及
所述基于所述三维空间信息模型,生成车辆泊入路线信息,包括:
将所述三维空间信息模型中的三维空间信息确定为待划分三维空间信息;
根据预设划分尺寸和预设划分数量,对所述待划分三维空间信息进行划分,得到划分后的各个三维空间信息单元作为三维空间信息单元集合;
对于所述三维空间信息单元集合中的每一个三维空间信息单元,执行以下信息标注处理步骤:
将所述三维空间信息单元与所述障碍物信息进行碰撞检测,得到碰撞检测结果;
响应于确定碰撞检测结果表征所述三维空间信息单元与障碍物相交,将三维空间信息单元的数据标签更新为第一类型标签;
响应于确定碰撞检测结果表征所述三维空间信息单元与障碍物不相交,将三维空间信息单元的数据标签更新为第二类型标签;
将各个信息标注后的三维空间信息单元确定为目标空间信息单元集合;
将所述三维空间信息模型中的三维空间信息更新为目标三维空间信息单元集合,以对三维空间信息模型进行更新;
将更新后的三维空间信息模型确定为数据标注三维空间信息模型;
将所述预设坐标原点确定为起点位置信息;
基于所述数据标注三维空间信息模型、所述起点位置信息与预设终点位置信息,生成车辆泊入路线信息。
5.根据权利要求4所述的方法,其中,所述基于所述数据标注三维空间信息模型、所述起点位置信息与预设终点位置信息,生成车辆泊入路线信息,包括:
将所述数据标注三维空间信息模型、所述起点位置信息与预设终点位置信息确定为路线规划数据;
将所述路线规划数据输入到预先训练好的泊入路线规划模型中,得到泊入路线轨迹点信息集合;
基于所述泊入路线轨迹点信息集合,生成车辆泊入路线信息。
6.根据权利要求5所述的方法,其中,所述泊入路线规划模型是通过以下步骤训练得到的:
获取样本集,其中,所述样本集中的样本包括样本路线规划数据,以及与样本路线规划数据对应的样本目标路线轨迹点信息集合;
基于样本集执行以下训练步骤:
将样本集中的至少一个样本的样本路线规划数据输入至初始神经网络,得到所述至少一个样本中的每个样本对应的样本预测路线轨迹点信息集合;
将所述至少一个样本中的每个样本对应的样本预测路线轨迹点信息集合与对应的样本路线轨迹点信息集合进行比较;
根据比较结果确定初始神经网络是否达到预设的优化目标;
响应于确定初始神经网络达到所述优化目标,将初始神经网络作为训练完成的泊入路线规划模型;
响应于确定初始神经网络未达到所述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,再次执行所述训练步骤。
7.一种车辆泊入路线信息生成装置,包括:
第一获取单元,被配置成获取停车位图像;
第一建立单元,被配置成根据预设坐标原点、预设横向正方向、预设纵向正方向与预设竖向正方向,建立直角坐标系;
识别单元,被配置成对所述停车位图像进行挡轮杆识别处理,得到挡轮杆在所述停车位图像中的位置信息作为初始位置信息;
第一生成单元,被配置成基于所述初始位置信息,生成挡轮杆在所述直角坐标系中的位置信息作为挡轮杆位置信息;
第二获取单元,被配置成获取传感器单元所采集的停车位周围环境信息作为停车位信息;
第二建立单元,被配置成基于所述挡轮杆位置信息与所述停车位信息,建立三维空间信息模型;
第二生成单元,被配置成基于所述三维空间信息模型,生成车辆泊入路线信息。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014935.0A CN116740682B (zh) | 2023-08-14 | 2023-08-14 | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014935.0A CN116740682B (zh) | 2023-08-14 | 2023-08-14 | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740682A true CN116740682A (zh) | 2023-09-12 |
CN116740682B CN116740682B (zh) | 2023-10-27 |
Family
ID=87917254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311014935.0A Active CN116740682B (zh) | 2023-08-14 | 2023-08-14 | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740682B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112339747A (zh) * | 2020-10-30 | 2021-02-09 | 上海欧菲智能车联科技有限公司 | 自动泊车轨迹的生成方法、装置、电子设备及存储介质 |
CN112550278A (zh) * | 2020-12-03 | 2021-03-26 | 上汽大众汽车有限公司 | 一种基于环视摄像头和超声波雷达检测的自动泊车方法和系统 |
KR20210089602A (ko) * | 2020-06-29 | 2021-07-16 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 차량의 제어 방법, 장치 및 차량 |
CN115489519A (zh) * | 2022-10-31 | 2022-12-20 | 重庆长安汽车股份有限公司 | 全自动泊车方法、装置、设备及介质 |
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 |
CN115953759A (zh) * | 2023-01-03 | 2023-04-11 | 宣城立讯精密工业有限公司 | 对车位限位器的检测方法、装置、电子设备及存储介质 |
CN116022130A (zh) * | 2023-03-29 | 2023-04-28 | 禾多科技(北京)有限公司 | 车辆泊车方法、装置、电子设备和计算机可读介质 |
CN116533987A (zh) * | 2023-05-06 | 2023-08-04 | 阿波罗智联(北京)科技有限公司 | 泊车路径确定方法、装置、设备和自动驾驶车辆 |
-
2023
- 2023-08-14 CN CN202311014935.0A patent/CN116740682B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210089602A (ko) * | 2020-06-29 | 2021-07-16 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 차량의 제어 방법, 장치 및 차량 |
CN112339747A (zh) * | 2020-10-30 | 2021-02-09 | 上海欧菲智能车联科技有限公司 | 自动泊车轨迹的生成方法、装置、电子设备及存储介质 |
CN112550278A (zh) * | 2020-12-03 | 2021-03-26 | 上汽大众汽车有限公司 | 一种基于环视摄像头和超声波雷达检测的自动泊车方法和系统 |
CN115489519A (zh) * | 2022-10-31 | 2022-12-20 | 重庆长安汽车股份有限公司 | 全自动泊车方法、装置、设备及介质 |
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 |
CN115953759A (zh) * | 2023-01-03 | 2023-04-11 | 宣城立讯精密工业有限公司 | 对车位限位器的检测方法、装置、电子设备及存储介质 |
CN116022130A (zh) * | 2023-03-29 | 2023-04-28 | 禾多科技(北京)有限公司 | 车辆泊车方法、装置、电子设备和计算机可读介质 |
CN116533987A (zh) * | 2023-05-06 | 2023-08-04 | 阿波罗智联(北京)科技有限公司 | 泊车路径确定方法、装置、设备和自动驾驶车辆 |
Non-Patent Citations (1)
Title |
---|
张刚;: "基于模糊控制汽车自动泊车关键技术设计", 微型电脑应用, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740682B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
CN115540896B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN115540894B (zh) | 车辆轨迹规划方法、装置、电子设备和计算机可读介质 | |
US11651191B2 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
CN115761702B (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115713560A (zh) | 一种摄像头和车辆的外参数标定方法及装置、电子设备、存储介质 | |
CN114267027A (zh) | 一种图像处理方法和装置 | |
CN116563818B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN116740682B (zh) | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 | |
US20230162383A1 (en) | Method of processing image, device, and storage medium | |
CN114723640B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN112434591B (zh) | 车道线确定方法、装置 | |
CN115965831A (zh) | 一种车辆检测模型训练方法和车辆检测方法 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN116563817B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN115431968B (zh) | 车辆控制器、车辆及车辆控制方法 | |
US12125221B2 (en) | Method and system for detecting a three-dimensional object in a two-dimensional image | |
CN116092031A (zh) | 一种基于光学遥感影像的虚线车道线提取方法及装置 | |
CN115507873B (zh) | 基于公交车尾红绿灯的路径规划方法、装置、设备和介质 | |
US20230068375A1 (en) | Method and system for detecting a three-dimensional object in a two-dimensional image | |
EP4224361A1 (en) | Lane line detection method and apparatus |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |