[發(fā)明專(zhuān)利]車(chē)位識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備及可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910778486.4
• 申請(qǐng)日: 2019-08-22
• 公開(kāi)（公告）號(hào): CN112417926A
• 公開(kāi)（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 翁茂楠;黃輝;裴鋒;陳澤武;王建明;張力鍇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣州汽車(chē)集團(tuán)股份有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 廣州三環(huán)專(zhuān)利商標(biāo)代理有限公司 44202
• 代理人: 黃華蓮;郝傳鑫

本發(fā)明公開(kāi)了一種車(chē)位識(shí)別方法，包括：獲取車(chē)載攝像頭實(shí)時(shí)采集的周?chē)h(huán)境圖像；根據(jù)所述周?chē)h(huán)境圖像和事先訓(xùn)練的深層卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)周?chē)h(huán)境中的空車(chē)位信息；當(dāng)能穩(wěn)定地檢測(cè)到空車(chē)位時(shí)，將所述空車(chē)位設(shè)為目標(biāo)車(chē)位；檢測(cè)所述周?chē)h(huán)境圖像中的車(chē)位角信息，實(shí)時(shí)獲取所述目標(biāo)車(chē)位的車(chē)位角信息；根據(jù)所述目標(biāo)車(chē)位的車(chē)位角信息和事先訓(xùn)練的淺層卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述目標(biāo)車(chē)位的車(chē)位角角點(diǎn)進(jìn)行重定位以實(shí)時(shí)更新所述目標(biāo)車(chē)位的車(chē)位角角點(diǎn)，直至泊車(chē)完成。本發(fā)明還公開(kāi)了一種車(chē)位識(shí)別裝置、一種計(jì)算機(jī)設(shè)備及一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。采用本發(fā)明，可利用深層卷積神經(jīng)網(wǎng)絡(luò)及淺層卷積神經(jīng)網(wǎng)絡(luò)對(duì)空車(chē)位進(jìn)行精確定位，準(zhǔn)確率高、魯棒性強(qiáng)、實(shí)時(shí)性好。

技術(shù)領(lǐng)域

本發(fā)明涉及智能泊車(chē)技術(shù)領(lǐng)域，尤其涉及一種車(chē)位識(shí)別方法、車(chē)位識(shí)別裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

空車(chē)位定位是自動(dòng)泊車(chē)技術(shù)中的基礎(chǔ)。目前車(chē)位定位算法中主要可分為基于超聲波雷達(dá)、基于地磁傳感器、基于環(huán)視圖像等三種車(chē)位定位方式。其中，基于超聲波雷達(dá)的車(chē)位定位算法中利用超聲波雷達(dá)對(duì)周?chē)h(huán)境(車(chē)輛、障礙物等)進(jìn)行感知，但超聲波雷達(dá)無(wú)法對(duì)車(chē)位線進(jìn)行檢測(cè)，只能夠規(guī)劃處可行駛或無(wú)障礙區(qū)域；基于地磁傳感器的車(chē)位檢測(cè)算法需要提前實(shí)現(xiàn)對(duì)停車(chē)區(qū)域的整體改造；基于環(huán)視圖像的車(chē)位定位算法通過(guò)環(huán)視攝像頭進(jìn)行實(shí)時(shí)圖像采集，對(duì)圖像中的車(chē)位進(jìn)行提取，并結(jié)合對(duì)周?chē)h(huán)境的感知結(jié)果確定目標(biāo)空車(chē)位。

如，現(xiàn)有技術(shù)中公開(kāi)了一種基于顏色特征的停車(chē)場(chǎng)車(chē)位檢測(cè)算法，其首先從停車(chē)場(chǎng)端攝像頭實(shí)時(shí)采集到的車(chē)位圖像中截取待測(cè)車(chē)位區(qū)域的圖像信息，并對(duì)該區(qū)域進(jìn)行濾波等預(yù)處理，然后提取對(duì)應(yīng)區(qū)域的面積、長(zhǎng)寬比、邊緣密度、角點(diǎn)數(shù)目、車(chē)位方差等五個(gè)參數(shù)作為特征向量，最后利用分類(lèi)器對(duì)特征向量進(jìn)行分類(lèi)。但是，此方案針對(duì)的是停車(chē)場(chǎng)端攝像頭采集到的圖像進(jìn)行空車(chē)位的判別，具有較差的可遷移性。

又如，現(xiàn)有技術(shù)中公開(kāi)了一種基于視覺(jué)檢測(cè)的停車(chē)場(chǎng)車(chē)位自動(dòng)識(shí)別方法，其首先通過(guò)車(chē)載環(huán)視攝像頭采集到的圖像進(jìn)行顏色空間轉(zhuǎn)換、濾波、邊緣提取、二值化等圖像預(yù)處理操作，然后利用生長(zhǎng)算法對(duì)車(chē)位線區(qū)域進(jìn)行分割提取，最后對(duì)檢測(cè)到的車(chē)位狀態(tài)進(jìn)行判別。但是，此方案中車(chē)位的定位依賴(lài)于車(chē)位線(車(chē)位角)的提取，車(chē)位線的定位的誤差會(huì)直接導(dǎo)致車(chē)位定位的誤差，造成誤差的累計(jì)，難以達(dá)到自動(dòng)泊車(chē)對(duì)車(chē)位定位精度的要求。

因此，上述兩種方案均利用了圖像的顏色、邊緣等圖像特征進(jìn)行車(chē)位相關(guān)信息的提取，這類(lèi)方法比較容易受到背景環(huán)境復(fù)雜度變化、光照條件變化、天氣狀況變化等因素的干擾，容易造成車(chē)位定位出現(xiàn)較大的誤差或出現(xiàn)車(chē)位定位失敗，精確較低、魯棒性較差。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題在于，提供一種車(chē)位識(shí)別方法、車(chē)位識(shí)別裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，可利用深層卷積神經(jīng)網(wǎng)絡(luò)及淺層卷積神經(jīng)網(wǎng)絡(luò)對(duì)空車(chē)位進(jìn)行精確定位，準(zhǔn)確率高、魯棒性強(qiáng)、實(shí)時(shí)性好。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種車(chē)位識(shí)別方法，包括：獲取車(chē)載攝像頭實(shí)時(shí)采集的周?chē)h(huán)境圖像；根據(jù)所述周?chē)h(huán)境圖像和事先訓(xùn)練的深層卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)周?chē)h(huán)境中的空車(chē)位信息；當(dāng)能穩(wěn)定地檢測(cè)到空車(chē)位時(shí)，將所述空車(chē)位設(shè)為目標(biāo)車(chē)位；檢測(cè)所述周?chē)h(huán)境圖像中的車(chē)位角信息，實(shí)時(shí)獲取所述目標(biāo)車(chē)位的車(chē)位角信息；根據(jù)所述目標(biāo)車(chē)位的車(chē)位角信息和事先訓(xùn)練的淺層卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述目標(biāo)車(chē)位的車(chē)位角角點(diǎn)進(jìn)行重定位以實(shí)時(shí)更新所述目標(biāo)車(chē)位的車(chē)位角角點(diǎn)，直至泊車(chē)完成。

作為上述方案的改進(jìn)，所述根據(jù)周?chē)h(huán)境圖像和事先訓(xùn)練的深層卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)周?chē)h(huán)境中的空車(chē)位信息之前，還包括：對(duì)所述周?chē)h(huán)境圖像進(jìn)行歸一化處理，生成歸一化后的周?chē)h(huán)境圖像。

作為上述方案的改進(jìn)，所述根據(jù)周?chē)h(huán)境圖像和事先訓(xùn)練的深層卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)周?chē)h(huán)境中的空車(chē)位信息的步驟包括：將所述周?chē)h(huán)境圖像輸入事先訓(xùn)練的深層卷積神經(jīng)網(wǎng)絡(luò)，獲得定位結(jié)果及定位結(jié)果的置信度，所述定位結(jié)果包括空車(chē)位定位結(jié)果及車(chē)位角定位結(jié)果；將所述置信度大于預(yù)設(shè)置信度閾值的定位結(jié)果從圖像坐標(biāo)系映射至世界坐標(biāo)系；根據(jù)所述世界坐標(biāo)系中連續(xù)多幀的定位結(jié)果確定空車(chē)位信息。