空间车位检测方法、装置、车辆及计算机可读存储介质与流程

本发明涉及智能驾驶，尤其涉及的是空间车位检测方法、装置、车辆及计算机可读存储介质。

背景技术：

1、在泊车场景中，车位通常都会出现在停车场等有划线区域的地方，但除此之外，在很多场景下，可停车的区域没有划停车线，比如在没有车位线的路上或临时停车区，这种场景下通常是没有停车线的，同时，由于老化等原因，一些划线停车区域的停车线也会不完整或不清晰，因此，在自动泊车领域中(auto parking assist)，通常会有两种方案，分别用于检测有划线的车位和上述无划线区域的车位，即空间车位。由于这两种车位形式差别较大，通常用于检测线车位的方案都不适合用于检测空间车位，比如现在业界普遍使用的基于视觉的检测方案，而空间车位检测通常都是使用超声波传感器来完成，这是由于空间车位的真值标签(ground truth)很难获得，从而无法像线车位那样训练一个深度网络模型作为检测算法，并且需要用户按照一些非常严格的扫库规则才能识别到车位，因此，识别难度较大。

2、因此，现有技术存在缺陷，有待改进与发展。

技术实现思路

1、基于此，有必要针对现有的空间车位检测方法识别车位的难度较大的问题，提供一种空间车位检测方法及装置。

2、本发明解决技术问题所采用的技术方案如下：

3、一种空间车位检测方法，所述方法包括：

4、获取车载传感器采集的原始数据，并获取预先训练的深度网络模型；

5、将所述原始数据输入所述深度网络模型中，得到空间车位检测结果；

6、其中，所述深度网络模型是由预先构建的训练数据集对预先构建的初始深度网络模型进行训练得到，所述训练数据集包括原始训练数据及对应的真值标签；所述真值标签是利用空间车位检测方法检测得到，用于反映空间车位。

7、在一种实现方式中，所述原始数据为图像数据和/或点云数据。

8、在一种实现方式中，所述训练数据集的构建步骤包括：

9、获取原始训练数据，利用3d目标检测方法对所述原始训练数据进行目标检测，得到3d目标检测结果；

10、对所述3d目标检测结果进行筛选和聚类处理，得到目标障碍物信息；

11、利用空间车位检测算法对所述目标障碍物信息进行空间车位检测，得到与所述原始训练数据对应的真值标签。

12、在一种实现方式中，对所述3d目标检测结果进行筛选和聚类处理，得到目标障碍物信息，包括：

13、识别所述3d目标检测结果中的各个障碍物，并对各个障碍物进行筛选和聚类处理，得到目标障碍物对应的障碍物类型；

14、将目标障碍物和对应的障碍物类型保存为目标障碍物信息；

15、其中，所述障碍物类型包括：第一类别障碍物和第二类别障碍物，所述第一类别障碍物用于生成车位，所述第二类别障碍物用于判定车位是否可以释放。

16、在一种实现方式中，所述利用空间车位检测算法对所述目标障碍物信息进行空间车位检测，得到与所述原始训练数据对应的真值标签，包括：

17、利用空间车位检测算法对所述目标障碍物信息进行空间车位检测，得到空间车位；

18、对所述空间车位进行坐标转换和尺度缩放处理，得到与所述原始训练数据对应的真值标签。

19、在一种实现方式中，所述利用空间车位检测算法对所述目标障碍物信息进行空间车位检测，得到与所述原始训练数据对应的真值标签之后，还包括：

20、若接收到标签复查指令，则对所述真值标签进行删除和/或修改，得到复查后的真值标签；

21、将复查后的真值标签及对应的原始训练数据打包为预设格式的文件。

22、在一种实现方式中，所述深度网络模型的训练步骤包括：

23、获取预先构建的初始深度网络模型及损失函数；

24、将所述原始训练数据输入所述初始深度网络模型中，以所述真值标签为监督信息，基于所述损失函数对初始深度网络模型进行训练；

25、训练完成，得到已训练的深度网络模型；

26、其中，所述原始训练数据为图像数据和/或点云数据，所述初始深度网络模型为视觉模型或点云模型。

27、本发明提供一种空间车位检测装置，包括：

28、获取模块，用于获取车载传感器采集的原始数据，并获取预先训练的深度网络模型；

29、输入模块，用于将所述原始数据输入所述深度网络模型中，得到空间车位检测结果；

30、其中，所述深度网络模型是由预先构建的训练数据集对预先构建的初始深度网络模型进行训练得到，所述训练数据集包括原始训练数据及对应的真值标签；所述真值标签是利用空间车位检测方法检测得到，用于反映空间车位。

31、本发明提供一种终端，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空间车位检测程序，所述空间车位检测程序被所述处理器执行时实现如上所述的空间车位检测方法的步骤。

32、本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如上所述的空间车位检测方法的步骤。

33、本发明的有益效果：本发明实施例通过获取车载传感器采集的原始数据，并获取预先训练的深度网络模型；将所述原始数据输入所述深度网络模型中，得到空间车位检测结果；其中，所述深度网络模型是由预先构建的训练数据集对预先构建的初始深度网络模型进行训练得到，所述训练数据集包括原始训练数据及对应的真值标签；所述真值标签是利用空间车位检测方法检测得到，用于反映空间车位。本发明通过使用监督学习的方法训练模型，使得空间车位检测也变成一个端到端的检测任务，降低了空间车位的识别难度，提高了识别效率，并且实现了真值标签的自动标注。

技术特征：

1.一种空间车位检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的空间车位检测方法，其特征在于，所述原始数据为图像数据和/或点云数据。

3.根据权利要求1所述的空间车位检测方法，其特征在于，所述训练数据集的构建步骤包括：

4.根据权利要求3所述的空间车位检测方法，其特征在于，对所述3d目标检测结果进行筛选和聚类处理，得到目标障碍物信息，包括：

5.根据权利要求4所述的空间车位检测方法，其特征在于，所述利用空间车位检测算法对所述目标障碍物信息进行空间车位检测，得到与所述原始训练数据对应的真值标签，包括：

6.根据权利要求3所述的空间车位检测方法，其特征在于，所述利用空间车位检测算法对所述目标障碍物信息进行空间车位检测，得到与所述原始训练数据对应的真值标签之后，还包括：

7.根据权利要求6所述的空间车位检测方法，其特征在于，所述深度网络模型的训练步骤包括：

8.一种空间车位检测装置，其特征在于，包括：

9.一种终端，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空间车位检测程序，所述空间车位检测程序被所述处理器执行时实现如权利要求1～7任意一项所述的空间车位检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如权利要求1～7任意一项所述的空间车位检测方法的步骤。

技术总结
本发明所提供的空间车位检测方法、装置、车辆及计算机可读存储介质，方法包括：获取车载传感器采集的原始数据，并获取预先训练的深度网络模型；将所述原始数据输入所述深度网络模型中，得到空间车位检测结果；其中，所述深度网络模型是由预先构建的训练数据集对预先构建的初始深度网络模型进行训练得到，所述训练数据集包括原始训练数据及对应的真值标签；所述真值标签是利用空间车位检测方法检测得到，用于反映空间车位。本发明通过使用监督学习的方法训练模型，使得空间车位检测也变成一个端到端的检测任务，降低了空间车位的识别难度，提高了识别效率，并且实现了真值标签的自动标注。

技术研发人员：谢旭龙,曹通易
受保护的技术使用者：深圳元戎启行科技有限公司
技术研发日：
技术公布日：2024/2/19