[發明專利]泊車信息獲取方法及裝置、泊車方法及裝置

在審

• 申請號: 202110745057.4
• 申請日: 2021-06-30
• 公開（公告）號: CN113409194A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 丁文博;金忠孝
• 申請（專利權）人: 上海汽車集團股份有限公司;上海汽車工業(集團)總公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06T5/00;G06T7/20;G06T7/70
• 代理公司: 北京信遠達知識產權代理有限公司 11304
• 代理人: 王會會

1.一種泊車信息獲取方法，其特征在于，包括：

獲取待泊車車輛所處位置的鳥瞰圖；

將所述鳥瞰圖輸入至預先構建的信息獲取模型中，得到泊車信息；其中，所述信息獲取模型基于多任務神經網絡預先建立得到，所述多任務神經網絡包括共享編碼層和多個任務神經網絡，所述多個任務神經網絡共享所述共享編碼層。

2.根據權利要求1所述的方法，其特征在于，所述信息獲取模型的構建過程，包括：

獲取訓練圖像集；所述訓練圖像集中包括多張訓練圖像，每張訓練圖像為攜帶標注信息的鳥瞰圖，所述標注信息包括：鳥瞰圖中每個像素點對應的道路元素類別，每個庫位的庫角點標注信息，以及，每個庫位的庫位屬性；

對所述訓練圖像集中的每張訓練圖像進行數據增強處理，得到每張訓練圖像的第一訓練圖像；

將各張訓練圖像和各張第一訓練圖像組成目標圖像集；

依據所述目標圖像集中的各張圖像，對多任務神經網絡進行訓練，得到信息獲取模型。

3.根據權利要求2所述的方法，其特征在于，所述依據所述目標圖像集中的各張圖像，對多任務神經網絡進行訓練，得到信息獲取模型，包括：

依據所述目標圖像集中的各張圖像，確定多個訓練集；其中，每個訓練集中包括所述目標圖像集中至少一張圖像；

從多個訓練集中選取一個訓練集作為目標訓練集；

將所述目標訓練集中的各張圖像輸入至多任務神經網絡的共享編碼層，得到所述目標訓練集的第一結果數據；

將所述第一結果數據分別輸入至每個任務神經網絡的解碼層，經每個任務神經網絡的解碼層中的每個網絡層進行處理，得到每個任務神經網絡的解碼層輸出的所述目標訓練集的第二結果數據；其中，針對每個任務神經網絡的解碼層，所述解碼層的第N個網絡層的輸入數據為，對所述解碼層的第N-1個網絡層的輸出結果、和每個其他任務神經網絡的解碼層中的第N-1個網絡層的計算結果進行融合處理后的結果；每個其他任務神經網絡模型的解碼層中的第N-1個網絡層的計算結果為，對其他任務神經網絡的解碼層中的第N-1個網絡層的輸出結果進行第一計算的結果；N為大于1的正整數；

依據各個第二結果數據以及所述目標訓練集中的各張圖像的標注信息，計算所述多任務神經網絡在當前迭代的損失函數值；

依據所述多任務神經網絡在當前迭代的損失函數值，更新所述多任務神經網絡的網絡參數，得到新的多任務神經網絡，并在未滿足預設的迭代條件時，返回執行所述從多個訓練集中選取一個訓練集作為目標訓練集的步驟，直至滿足所述迭代條件，將當前的多任務神經網絡作為信息獲取模型。

4.根據權利要求3所述的方法，其特征在于，所述依據各個第二結果數據以及所述目標訓練集中的各張圖像的標注信息，計算所述多任務神經網絡在當前迭代的損失函數值，包括：

依據各個第二結果數據以及所述目標訓練集中的各張圖像的標注信息，計算每個任務神經網絡在當前迭代的損失函數值；

獲取每個任務神經網絡在上一次迭代的損失下降速率；

針對每個任務神經網絡，依據所有的任務神經網絡在上一次迭代的損失下降速率，計算所述任務神經網絡在當前迭代的權重；

依據每個任務神經網絡在當前迭代的損失函數值和權重，計算所述多任務神經網絡在當前迭代的損失函數值。

5.根據權利要求1所述的方法，其特征在于，所述獲取待泊車車輛所處位置的鳥瞰圖，包括：

獲取分別安裝于待泊車車輛不同部位的多個圖像采集裝置采集的圖像；

對多個圖像采集裝置采集的多張圖像進行整合處理，得到所述待泊車車輛的鳥瞰圖。

6.根據權利要求5所述的方法，其特征在于，所述圖像采集裝置采集為魚眼攝像頭。

7.根據權利要求5所述的方法，其特征在于，所述對多個圖像采集裝置采集的多張圖像進行整合處理之前，還包括：

對多個圖像采集裝置采集的每張圖像進行圖像預處理。