[發明專利]泊車控制方法、裝置、計算機設備及計算機可讀存儲介質

在審

• 申請號: 201910362438.7
• 申請日: 2019-04-30
• 公開（公告）號: CN111860072A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 谷俊;何俏君;尹超凡;李彥琳;付穎;彭斐;毛茜;王薏
• 申請（專利權）人: 廣州汽車集團股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 黃華蓮;郝傳鑫

1.一種泊車控制方法，其特征在于，包括：

獲取傳感器采集的車輛周圍的圖像信息；

根據所述圖像信息和事先訓練的障礙物識別模型獲得障礙物類別和障礙物坐標框，其中，所述障礙物識別模型為輕量級卷積神經網絡，所述障礙物坐標框與障礙物一一對應，并且所述障礙物的邊緣被坐標框包圍以使障礙物處坐標框內；

根據所述障礙物類別和障礙物坐標框進行泊車控制。

2.如權利要求1所述的泊車控制方法，其特征在于，所述輕量級卷積神經網絡的網絡架構模型至少包括16層用于特征提取，并采用至少兩個尺度的特征圖進行分類和檢測框回歸。

3.如權利要求2所述的泊車控制方法，其特征在于，

所述16層包括10個卷積層和6個最大池化層，并輸出X個通道的特征圖以實現障礙物分類和坐標框回歸，其中：

X＝(a+b+c)*d，其中，a為坐標框的坐標值數量，b為坐標框的置信度值，c為障礙物類別數量，d為先驗框的數量；

所述兩個尺度包括，尺寸為A*A的特征圖進行障礙物分類，尺寸為A*A的特征圖經過上采樣后與尺寸為2A*2A的特征圖合并以進行坐標框回歸，其中，A為根據原圖尺寸經過n倍縮小后的數值，n為正整數。

4.如權利要求1至3中任一項所述的泊車控制方法，其特征在于，所述方法還包括障礙物識別模型訓練，具體包括：

獲取樣本數據集、基礎卷積神經網絡模型以及損失函數；

將所述基礎卷積神經網絡模型與所述損失函數結合，生成初始卷積神經網絡模型；

根據所述樣本數據集訓練所述初始卷積神經網絡模型，生成障礙物識別模型。

5.如權利要求4所述的泊車控制方法，其特征在于，所述樣本數據集的構建步驟包括：

獲取圖像樣本集，所述圖像樣本集包括多個含有障礙物的圖像樣本；

對每一圖像樣本分別進行標注處理以生成標注信息，所述標注信息包括障礙物類別信息及障礙物的坐標框坐標信息；

將含有標注信息的圖像樣本集組合為樣本數據集。

6.如權利要求4所述的泊車控制方法，其特征在于，所述損失函數為坐標框坐標誤差函數、坐標框交并比誤差函數及分類誤差函數之和；

所述坐標框坐標誤差函數為

其中，x_i為坐標框的左上角的橫坐標，y_i為坐標框的左上角的縱坐標，ω_i為坐標框的寬度，h_i為坐標框的高度，λ_coord為坐標框位置的損失權重，S是指將圖像劃分成S*S個網格，B為每個網格對應先驗框的數量，為第一檢測參數；

所述坐標框交并比誤差函數為

其中，C_i為第i個坐標框與真實框的交并比，λ_noobj為單個網格內沒有目標物體的損失權重，為第二檢測參數；

所述分類誤差函數為其中，p_i為識別物體的置信度。

7.一種泊車控制裝置，其特征在于，包括：

獲取模塊，用于獲取傳感器采集的車輛周圍的圖像信息；

識別模塊，用于根據所述圖像信息和事先訓練的障礙物識別模型獲得障礙物類別和障礙物坐標框，其中，所述障礙物識別模型為輕量級卷積神經網絡，所述障礙物坐標框與障礙物一一對應，并且所述障礙物的邊緣被坐標框包圍以使障礙物處坐標框內；

控制模塊，用于根據所述障礙物類別和障礙物坐標框進行泊車控制。

8.如權利要求7所述的泊車控制裝置，其特征在于，所述識別模塊中的所述輕量級卷積神經網絡的網絡架構模型至少包括16層用于特征提取，并采用至少兩個尺度的特征圖進行分類和檢測框回歸。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述的方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8中任一項所述的方法的步驟。