一种车位检测方法、装置、设备及存储介质与流程

本申请涉及图像处理技术领域，特别是涉及一种车位检测方法、装置、设备及存储介质。

背景技术：

自动泊车是自动驾驶技术中的重要一环。自动泊车的实现需要依靠准确的车位信息。目前已有的车位检测技术通常将车位检测分割为多个子任务执行。例如，首先检测图像中线条的交叉点，两个相邻的交叉点作为一个交叉点对；其后，利用交叉点对形成的区域获得车位信息，包括车位的类型以及车位的角度；最后，利用车位信息估计车位的其他两个点，在给出车位的完整信息。

在已有的技术中，车位检测是多阶段地实现的，检测速度较慢。并且也无法对多种类型的车位进行同时检测。

技术实现要素：

基于上述问题，本申请提供了一种车位检测方法、装置、设备及存储介质，简化车位检测的复杂度，提升检测速度，且对多种类型的车位能够同时检测。

本申请实施例公开了如下技术方案：

第一方面，本申请提供一种车位检测方法，包括：

获得场景的俯视图像；

对所述俯视图像进行学习，获得一幅中心点概率图和四幅内角点概率图；所述中心点概率图包括：所述俯视图像中各像素点作为中心点的预测概率；所述内角点概率图包括：所述俯视图像中各像素点作为内角点的预测概率，不同的所述内角点概率图对应车位的不同类型的内角点；

根据所述中心点概率图和所述四幅内角点概率图获得对所述俯视图像的车位检测结果。

可选地，所述根据所述中心点概率图和所述四幅内角点概率图获得对所述俯视图像的车位检测结果，具体包括：

根据所述中心点概率图确定中心点的数量和位置信息；

从所述四幅内角点概率图中确定出与中心点相关的内角点；

利用确定出的中心点的数量和位置信息、所述与中心点相关的内角点的位置信息以及中心点与内角点的关联关系，获得对所述俯视图像的车位检测结果。

可选地，所述根据所述中心点概率图确定中心点的数量和位置信息，具体包括：

对所述中心点概率图中的每一个像素点，判断其作为中心点的预测概率是否超过第一预设概率阈值，如果是，则将该像素点确定为中心点，并对中心点的数量加1；

按照所述图像坐标系与场景坐标系的转换关系，将作为中心点的像素点在图像坐标系的坐标转换到所述场景坐标系中，得到中心点在所述场景坐标系中的位置信息。

可选地，所述根据所述中心点概率图确定中心点，具体包括：

根据所述中心点概率图并结合极大值抑制算法确定中心点。

可选地，所述获得对所述俯视图像的车位检测结果，具体包括：

获得所述场景中所有车位的数量和位置；或者，

获得所述场景中所有空车位的数量和位置；或者，

获得所述场景中符合预设要求的空车位的数量和位置。

可选地，获得场景的俯视图像，具体包括：

利用车辆上装设的摄像装置获得所述场景的初步图像；

将所述场景的初步图像拼接为全景图像；

将所述全景图像转化为所述俯视图像。

可选地，以上方法还包括：

将所述车位检测结果发送给车辆的自动泊车辅助模块，以使所述自动泊车辅助模块根据所述车位检测结果规划泊车路径和进行泊车控制。

第二方面，本申请提供一种车位检测装置，包括：

俯视图像获取模块，用于获得场景的俯视图像；

概率图获取模块，用于对所述俯视图像进行学习，获得一幅中心点概率图和四幅内角点概率图；所述中心点概率图包括：所述俯视图像中各像素点作为中心点的预测概率；所述内角点概率图包括：所述俯视图像中各像素点作为内角点的预测概率，不同的所述内角点概率图对应车位的不同类型的内角点；

车位检测结果获取模块，用于根据所述中心点概率图和所述四幅内角点概率图获得对所述俯视图像的车位检测结果。

可选地，车位检测结果获取模块，具体包括：

第一确定单元，用于根据所述中心点概率图确定中心点的数量和位置信息；

第二确定单元，用于从所述四幅内角点概率图中确定出与中心点相关的内角点；

检测结果获取单元，用于利用确定出的中心点的数量和位置信息、所述与中心点相关的内角点的位置信息以及中心点与内角点的关联关系，获得对所述俯视图像的车位检测结果。

可选地，第一确定单元具体用于：

对所述中心点概率图中的每一个像素点，判断其作为中心点的预测概率是否超过第一预设概率阈值，如果是，则将该像素点确定为中心点，并对中心点的数量加1；

按照所述图像坐标系与场景坐标系的转换关系，将作为中心点的像素点在图像坐标系的坐标转换到所述场景坐标系中，得到中心点在所述场景坐标系中的位置信息。

可选地，第一确定单元具体用于：

根据所述中心点概率图并结合极大值抑制算法确定中心点。

可选地，车位检测结果获取模块具体用于：

获得所述场景中所有车位的数量和位置；或者，

获得所述场景中所有空车位的数量和位置；或者，

获得所述场景中符合预设要求的空车位的数量和位置。

可选地，俯视图像获取模块，具体包括：

初步图像获取单元，用于利用车辆上装设的摄像装置获得所述场景的初步图像；

图像拼接单元，用于将所述场景的初步图像拼接为全景图像；

图像转化单元，用于将所述全景图像转化为所述俯视图像。

车位检测结果可以应用到自动泊车领域，通过快速、准确地提供车位检测结果，使车辆的自动泊车功能为用户提供更具有安全性和可靠性的自动泊车服务。因此，可选地，前述的车位检测装置，还包括：

发送模块，用于将所述车位检测结果发送给车辆的自动泊车辅助模块，以使所述自动泊车辅助模块根据所述车位检测结果规划泊车路径和进行泊车控制。

第三方面，本申请提供一种设备，包括：处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行第一方面提供的车位检测方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行第一方面提供的车位检测方法。

相较于现有技术，本申请具有以下有益效果：

本申请提供的车位检测方法、装置、设备及存储介质。本技术方案中，对场景的俯视图像进行学习，获得五幅概率图。这五幅概率图具体包括一幅中心点概率图和四幅内角点概率图。由于中心点概率图反映出场景俯视图像中各像素点作为车位中心点的预测概率，每幅内角点概率图反映出场景俯视图像中各像素点作为车位某一内角点的预测概率，并且每个车位的内角点和中心点存在几何联系(位置联系)。基于此，利用模型输出的图像获得车位检测结果。本申请通过学习场景的俯视图像，单阶段地实现了车位的快速检测。此外，本申请不受车位类型的限制，因此可以同时对多种类型的车位进行检测，提升了车位检测效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种车位检测方法的流程图；

图2为本申请实施例提供的一种利用堆叠网络模型的示意图；

图3为本申请实施例提供的另一种车位检测方法的流程图；

图4为本申请实施例提供的一种车位检测装置的结构示意图。

具体实施方式

正如前文描述，目前的车位检测方案存在多阶段实现检测，检测方法复杂，实现速度慢的问题。并且无法对不同类型的车位同时检测。针对此问题，发明人经过研究，提供一种车位检测方法、装置、设备及存储介质。本申请通过学习场景的俯视图像获得一幅中心点概率图和四幅内角点概率图。利用该五幅图即可获得该俯视图像对应的车位检测结果。本申请简化了实现车位检测的流程复杂度，从而提升了车位检测速度。另外，本申请以中心点概率图和内角点概率图对场景车位进行检测，不受车位类型的限制，从而可以实现对多种类型的车位的同时检测，效率更高。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

方法实施例

参见图1，该图为本申请实施例提供的一种车位检测方法的流程图。如图1所示，该方法包括：

步骤101：获得场景的俯视图像。

本实施例中，需要进行车位检测的场景可以是停车场或者带有规划的停车位的道路或门店附近。为了实现车位检测，首先需要获得场景的俯视图像。获取俯视图像的原因在于，俯视能够更加准确地识别地面上停车位相关的标识，且标识在俯视图像中畸变、变形的几率较小，因此，利用俯视图像对于提升车位检测的准确度和精度十分有利。

场景的俯视图像可以通过多种方式获得。作为一示例方式，采用无人机在场景的上空航拍，获得俯视图像。作为另一示例方式，利用车辆上装设的摄像装置获得场景的初步图像，可以理解的是，车辆上装设的摄像装置无法实现完全垂直于地面的俯视拍摄。为获得俯视图像，在该示例方式中，可以将场景的初步图像拼接为全景图像。拼接全景图像的实现方式包括多种，此处对拼接方式不进行限定。最终，将全景图像转化为俯视图像。

步骤102：对俯视图像进行学习，获得一幅中心点概率图和四幅内角点概率图。

在一种可能的实现方式中，利用堆叠网络模型对俯视图像进行学习，获得上述概率图。在该实现方式中，在本实施例方法执行之前，已经预先训练好堆叠网络模型，该模型用于输出作为车位检测的重要依据的五幅map图，分别是：一幅中心点概率图(或称为中心点map图)和四幅内角点概率图(或称为内角点map图)。

每个车位可以体现为矩形轮廓或平行四边形轮廓。为便于理解，首先对内角点和中心点的含义进行说明。

可以理解的是，对于每个车位，其包括四个不同类型的内角点，为便于区分将其分别称为第一内角点、第二内角点、第三内角点和第四内角点。作为示例，第一内角点和第二内角点为车位前面两个内角点，第三内角点和第四内角点为车位后面两个内角点。其中第一内角点与第二内角点的连线平行于第三内角点与第四内角点的连线，两连线等长；第一内角点与第三内角点的连线平行于第二内角点与第四内角点的连线，两连线等长；第一内角点与第二内角点的连线短于第一内角点与第三内角点的连线。

可以理解的是，对于每个车位，其存在一个几何学上的中心点。例如，第一内角点和第四内角点分别位于车位的对角；第二内角点和第三内角点分别位于车位的对角。第一内角点和第四内角点的连线与第二内角点和第三内角点的连线的交点即为该车位的中心点。

该堆叠网络模型的结构主要采用了自底向上的方式设计而成。参见图2，该图为本申请实施例提供的一种利用堆叠网络模型的示意图。如图2所示，该堆叠网络模型的输入为场景的俯视图像；该堆叠网络模型的输出为五幅map图。堆叠网络模型对俯视图像的处理过程实际上是提取图像特征的过程。

堆叠网络模型输出的中心点概率图包括：俯视图像中各像素点作为中心点的预测概率。也就是说，中心点概率图中的每一个像素点的像素值分别是原俯视图像中每一个像素点作为中心点的预测概率。例如，中心点概率图中坐标值为(x1，y1)的像素点的像素值为0.85，表示俯视图像中坐标值为(x1，y1)的像素点作为车位中心点的预测概率为0.85。可以理解的是，中心点概率图中某一像素点作为中心点的预测概率越大，表示俯视图像中坐标对应的像素点处于某一车位的中心的概率越大；反之，亦然。

堆叠网络模型输出的内角点概率图包括：俯视图像中各像素点作为内角点的预测概率。也就是说，内角点概率图中的每一个像素点的像素值分别是原俯视图像中每一个像素点作为内角点的预测概率。本实施例中，第一内角点、第二内角点、第三内角点和第四内角点分别对应的四幅内角点概率图中的一幅不同的内角点概率图。例如，第一内角点对应的内角点概率图中坐标值为(x2，y2)的像素点的像素值为0.01，表示俯视图像中坐标值为(x2，y2)的像素点作为车位第一内角点的预测概率为0.85。可以理解的是，第一内角点对应的内角点概率图中，某一像素点作为第一内角点的预测概率越大，表示俯视图像中坐标对应的像素点处于某一车位的第一内叫的概率越大；反之，亦然。

以上利用堆叠网络模型对场景的俯视图像进行学习的实现方式仅为示例。在实际应用中，还可以采用其他结构的模型来学习俯视图像，并获得五幅map图。此处对本步骤的具体实现形式不进行限定。

步骤103：根据中心点概率图和四幅内角点概率图获得对俯视图像的车位检测结果。

可以理解的是，利用中心点概率图可以首先确定出作为车位中心点的预测概率较高的点。同理，利用内角点概率图可以首先确定出作为车位的某一类型内角点的预测概率较高的点。由于实际上某一车位的四个内角点与该车位的中心点存在着几何关系，因此，基于几何关系和上述确定出的作为车位中心点、作为某一类型内角点的概率较高的点，可以最终确定出中心点及其所在车位的内角点。从而，获得对俯视图像的车位检测结果。

具体实现时，一个车位只有一个中心点，因此中心点数量明确后，车位的数量也可相应获得。中心点的位置信息可以体现为在俯视图像中的位置信息，也可以体现为场景中的位置信息。可以在确定了中心点位置信息之后，根据同一车位上中心点与内角点的固有位置联系来确定每一个中心点相关的四个内角点的位置信息。

车位检测结果可以包括多种内容。例如：获得场景中所有车位的数量和位置；或者，获得场景中所有空车位的数量和位置；或者，获得场景中符合预设要求的空车位的数量和位置。

车位的位置具体可以通过以下方式表示：

[lcenter，linner1,linner2,linner3,linner4]

在以上表达方式中，lcenter,linner1,linner2,linner3,linner4依次表示车位的中心点的位置，第一内角点的位置，第二内角点的位置，第三内角点的位置，第四内角点的位置。

实际应用中，车位检测结果可以根据预设要求进行反馈：

作为一示例：预设要求是提供水平/竖直/斜列的空车位的数量和位置，则车位检测结果包括符合上述要求的空车位的数量和位置。

作为另一示例：预设要求是提供距离停车场入口/出口最近的空车位的位置，则车位检测结果包括符合这一预设要求的空车位的位置。

以上即为本申请实施例提供的车位检测方法，在该方法中，对俯视图像进行特征提取，获得一幅中心点概率图和四幅内角点概率图。最后利用这五幅图获得针对俯视图像的车位检测结果。该方法能够对多种类型的车位同时检测。另外，该方法通过学习俯视图像直接获得多幅概率图，便捷迅速，提升了车位检测效率。

本申请实施例还进一步提供另一种车位检测方法，下面结合附图加以说明。参见图3，该图为本申请实施例提供的另一种车位检测方法的流程图。

该方法包括：

步骤301：获得场景的俯视图像。

步骤302：对所述俯视图像进行学习，获得一幅中心点概率图和四幅内角点概率图。

步骤303：根据所述中心点概率图确定中心点的数量和位置信息。

本步骤在具体实现时，可以包括：

对中心点概率图中的每一个像素点，判断其作为中心点的预测概率是否超过第一预设概率阈值，如果是，则将该像素点确定为中心点，并对中心点的数量加1；如果否，则继续遍历其他的像素点。第一预设概率值可以根据实际需求进行设置，例如可以设为0.7或0.75。

另外，也可以根据中心点概率图并结合极大值抑制算法确定中心点。极大值抑制算法属于本领域比较成熟的一种算法，故在此不做赘述。

按照图像坐标系与场景坐标系的转换关系，将作为中心点的像素点在图像坐标系的坐标转换到场景坐标系中，得到中心点在场景坐标系中的位置信息。作为示例，场景坐标系相对于图像坐标系的转换矩阵为e，将中心点在图像坐标系的坐标pa与转换矩阵e相乘，即可得到中心点在实际场景中的位置信息pb。

步骤304：从所述四幅内角点概率图中确定出与中心点相关的内角点。

步骤305：利用确定出的中心点的数量和位置信息、所述与中心点相关的内角点的位置信息以及中心点与内角点的关联关系，获得对所述俯视图像的车位检测结果。

经过以上步骤301-305，获得对俯视图像的车位检测结果。车位检测结果可以应用到自动泊车领域，通过快速、准确地提供车位检测结果，使车辆的自动泊车功能为用户提供更具有安全性和可靠性的自动泊车服务。因此，当获得车位检测结果之后，本实施例提供的方法还可以进一步包括：

步骤306：将车位检测结果发送给车辆的自动泊车辅助模块，以使自动泊车辅助模块根据车位检测结果规划泊车路径和进行泊车控制。

当车位检测结果中存在空车位或者符合预设要求的空车位时，相当于为自动泊车辅助模块提供了泊入位置。因此，自动泊车辅助模块可以利用有效的泊入位置建立更加光滑的泊车路径，按照该泊车路径进行泊车控制即可将车辆顺利泊入空车位或者符合预设要求的空车位。

泊车控制可以具体包括：控制车辆的档位、车轮转速等。此处对泊车控制的具体实现不进行限定。

基于前述实施例提供的车位检测方法，相应地，本申请还提供一种车位检测装置。下面结合实施例进行说明。

装置实施例

参见图4，该图为本申请实施例提供的一种车位检测装置的结构示意图。

如图4所示，该车位检测装置，包括：

俯视图像获取模块401，用于获得场景的俯视图像；

概率图获取模块402，用于对俯视图像进行学习，获得堆叠网络模型输出的一幅中心点概率图和四幅内角点概率图；中心点概率图包括：俯视图像中各像素点作为中心点的预测概率；内角点概率图包括：俯视图像中各像素点作为内角点的预测概率，不同的内角点概率图对应车位的不同类型的内角点；

车位检测结果获取模块403，用于根据中心点概率图和四幅内角点概率图获得对俯视图像的车位检测结果。

这五幅概率图包括一幅中心点概率图和四幅内角点概率图。由于中心点概率图反映出场景俯视图像中各像素点作为车位中心点的预测概率，每幅内角点概率图反映出场景俯视图像中各像素点作为车位某一内角点的预测概率，并且每个车位的内角点和中心点存在几何联系(位置联系)。基于此，利用五幅概率图像获得车位检测结果。相比于现有技术，本申请本申请通过学习场景的俯视图像，单阶段地实现了车位的快速检测。此外，该装置进行车位检测不受车位类型的限制，因此可以同时对多种类型的车位进行检测，提升了车位检测效率。

可选地，车位检测结果获取模块403，具体包括：

第一确定单元，用于根据所述中心点概率图确定中心点的数量和位置信息；

第二确定单元，用于从所述四幅内角点概率图中确定出与中心点相关的内角点；

检测结果获取单元，用于利用确定出的中心点的数量和位置信息、所述与中心点相关的内角点的位置信息以及中心点与内角点的关联关系，获得对所述俯视图像的车位检测结果。

可选地，第一确定单元具体用于：

对所述中心点概率图中的每一个像素点，判断其作为中心点的预测概率是否超过第一预设概率阈值，如果是，则将该像素点确定为中心点，并对中心点的数量加1；

按照所述图像坐标系与场景坐标系的转换关系，将作为中心点的像素点在图像坐标系的坐标转换到所述场景坐标系中，得到中心点在所述场景坐标系中的位置信息。

可选地，第一确定单元具体用于：

根据所述中心点概率图并结合极大值抑制算法确定中心点。

可选地，车位检测结果获取模块403具体用于：

获得所述场景中所有车位的数量和位置；或者，

获得所述场景中所有空车位的数量和位置；或者，

获得所述场景中符合预设要求的空车位的数量和位置。

可选地，俯视图像获取模块401，具体包括：

初步图像获取单元，用于利用车辆上装设的摄像装置获得所述场景的初步图像；

图像拼接单元，用于将所述场景的初步图像拼接为全景图像；

图像转化单元，用于将所述全景图像转化为所述俯视图像。

车位检测结果可以应用到自动泊车领域，通过快速、准确地提供车位检测结果，使车辆的自动泊车功能为用户提供更具有安全性和可靠性的自动泊车服务。因此，可选地，前述的车位检测装置，还包括：

发送模块404，用于将所述车位检测结果发送给车辆的自动泊车辅助模块，以使所述自动泊车辅助模块根据所述车位检测结果规划泊车路径和进行泊车控制。

基于前述实施例提供的车位检测方法和车位检测装置，相应地，本申请还提供一种实现车位检测的设备，包括：处理器以及存储器：

其中，存储器用于存储计算机程序；

处理器用于根据存储器中存储的计算机程序执行方法实施例提供的车位检测方法中部分或全部步骤。

另外，基于前述实施例提供的车位检测方法、车位检测装置及设备，相应地，本申请还进一步提供一种计算机可读存储介质。该计算机可读存储介质用于存储计算机程序，计算机程序用于执行前述方法实施例提供的车位检测方法的部分或全部步骤。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。