本发明涉及自动驾驶，特别是一种基于深度学习的自动泊车障碍物接地线的检测方法、系统及存储介质。
背景技术：
：：1、在基于视觉的泊车障碍物检测方法通常是在相机原图的基础上进行2d目标检测，存在某些障碍物类别不易检测的情况，比如地下停车场立柱、路沿、墙壁等。技术实现思路1、本发明提供了一种基于深度学习的自动泊车障碍物接地线的检测方法、系统及存储介质，以解决现有泊车障碍物检测方法存在某些障碍物类别不易检测的技术问题。2、本发明的一个方面在于提供一种基于深度学习的自动泊车障碍物接地线的检测方法，所述检测方法包括如下方法步骤：3、s1、获取车辆所处位置的不同时刻的拼接俯视图；4、s2、训练至少一个深度神经网络模型，利用训练的深度神经网络模型获取所述拼接俯视图中，每个像素点所属的接地线类别，得到不同时刻的接地线特征图；5、s3、将前一帧接地线特征图投影至后一帧接地线特征图进行匹配，生成分割特征图；6、s4、对所述分割特征图进行骨架线提取，其中，所述骨架线是指障碍物接地线在地面垂直投影的点的集合；7、s5、利用聚类算法对所述骨架线进行聚类，生成每个障碍物接地线的实例；8、s6、对每个障碍物接地线的实例进行点稀疏化，同时进行线段拟合将障碍物接地线的表达形式由点集转化为线段的集合；9、将障碍物接地线以线段的形式输出。10、在一个较佳的实施例中，在步骤s1中，车辆配置多个拍摄设备，通过多个拍摄设备拍摄的图像进行拼接，获取车辆所处位置的不同时刻的拼接俯视图。11、在一个较佳的实施例中，在步骤s3中，包括如下方法步骤：12、s301。记录车辆由当前时刻行驶至t时刻的车身坐标（，，），以及车辆由t时刻行驶至t+1时刻的车身坐标（，，），13、其中，为当前时刻至t时刻车身x轴坐标的变化，为当前时刻至t时刻车身y轴坐标的变化，为当前时刻至t时刻车身航线角的变化；为t时刻至t+1时刻车身x轴坐标的变化，为t时刻至t+1时刻车身y轴坐标的变化，为t时刻至t+1时刻车身航线角的变化；14、s302、将车辆由当前时刻行驶至t时刻的车身坐标（，，）投影至t+1时刻的车身坐标（，，）；15、将步骤s2获取的t时刻的接地线特征图、t+1时刻的接地线特征图，由像素坐标系投影至车身坐标下，使t时刻的接地线特征图投影至t+1时刻的接地线特征图；16、s303、在车身坐标下，t时刻的接地线特征图投影至t+1时刻的接地线特征图后，对t时刻的接地线特征图与t+1时刻的接地线特征图进行像素级别的匹配，生成分割特征图。17、在一个较佳的实施例中，在步骤s302中，通过如下方法，将车辆由当前时刻行驶至t时刻的车身坐标（，，）投影至t+1时刻的车身坐标（，，）：18、<mstyledisplaystyle="true"mathcolor="#000000"><mrow><mo>[</mo><mtablecolumnalign="left"><mtr><mtd><mi>x</mi></mtd></mtr><mtr><mtd><mi>y</mi></mtd></mtr></mtable><mo>]</mo></mrow><mi>=</mi><mrow><mo>[</mo><mtablecolumnalign="left"><mtr><mtd><mi>cos(</mi><mi>θ</mi><mi>)</mi><mi></mi><mi>−</mi><mi>sin(</mi><mi>θ</mi><mi>)</mi></mtd></mtr><mtr><mtd><mi>sin(</mi><mi>θ</mi><mi>)</mi><mi></mi><mi>cos(</mi><mi>θ</mi><mi>)</mi></mtd></mtr></mtable><mo>]</mo></mrow><mrow><mo>[</mo><mtablecolumnalign="left"><mtr><mtd><msub><mi>x</mi><mi>t</mi></msub></mtd></mtr><mtr><mtd><msub><mi>y</mi><mi>t</mi></msub></mtd></mtr></mtable><mo>]</mo></mrow><mo>+</mo><mrow><mo>[</mo><mtablecolumnalign="left"><mtr><mtd><mi>a</mi></mtd></mtr><mtr><mtd><mi>b</mi></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>，19、其中，，为车身在x轴一个单位尺度的平移量；20、，为车身在y轴一个单位尺度的平移量；21、，为车身在航向角一个单位尺度的偏差；22、其中，为当前时刻车身的x轴坐标，为当前时刻车身的y轴坐标；为当前时刻至t时刻车身x轴坐标的变化，为当前时刻至t时刻车身y轴坐标的变化，为当前时刻至t时刻车身航线角的变化；为t时刻至t+1时刻车身x轴坐标的变化，为t时刻至t+1时刻车身y轴坐标的变化，为t时刻至t+1时刻车身航线角的变化。23、在一个较佳的实施例中，在步骤s4中，对所述分割特征图进行骨架线提取，包括如下方法步骤：24、s401、对所述分割特征图进行二值化处理；25、s402、利用zhang算法对二值化处理后的分割特征图，进行骨架线提取，其中，所述骨架线是指障碍物接地线在地面垂直投影的点的集合。26、在一个较佳的实施例中，在步骤s5中，通过如下方法，生成每个障碍物接地线的实例：27、s501、利用dbscn聚类对所述骨架线进行聚类，同时删除由深度神经网络模型带来的部分噪声；28、s502、计算聚类后骨架线每个点相邻的像素个数，判断骨架线的起始点和终止点，并按照逆时针顺序进行点排序，生成每个障碍物接地线的实例。29、在一个较佳的实施例中，在步骤s6中，利用douglas-peuker算法对每个障碍物接地线的实例进行点稀疏化，30、将稀疏化后的点两两拆分进行线段拟合，从而将障碍物接地线的表达形式由点集转化为线段的集合；31、将障碍物接地线以线段的形式输出。32、本发明的另一个方面在于提供一种基于深度学习的自动泊车障碍物接地线的检测系统，所述检测系统包括拍摄设备，用于拍摄车辆所处位置的图像；33、处理器，用于执行本发明提供的一种基于深度学习的自动泊车障碍物接地线的检测方法；34、存储器，用于存储数据。35、在一个较佳的实施例中，所述处理器集成于拍摄设备，或者独立于拍摄设备之外。36、本发明的又一个方面在于提供一种存储介质，所述存储介质用于存储计算机执行指令，所述计算机执行指令，用于执行本发明提供的一种基于深度学习的自动泊车障碍物接地线的的检测方法。37、与现有技术相比，本发明具有以下有益效果：38、本发明提供的一种基于深度学习的自动泊车障碍物接地线的检测方法、系统及存储介质，障碍物输出形式表示为障碍物接触地面的线段，可以有效识别传统目标检测较难识别的类别，提高了鲁棒性。39、本发明提供的一种基于深度学习的自动泊车障碍物接地线的检测方法、系统及存储介质，解决泊车场景下传统目标检测部分障碍物类别无法检测的难题，本发明停车场立柱、消防栓、垃圾桶、路沿等不可通行障碍物均可识别，方法鲁棒性高，便于下游进行路径规划。40、本发明提供的一种基于深度学习的自动泊车障碍物接地线的检测方法、系统及存储介质，采用多帧图像进行特征投影和匹配生成分割特征图，可以提升深度学习模型的稳定性；41、本发明提供的一种基于深度学习的自动泊车障碍物接地线的检测方法、系统及存储介质，障碍物接地线以线段形式进行输出，所有障碍物均被抽象为简化的数学表达，不仅能够准确表达障碍物的形态，也便于后续做障碍物的跟踪与路径规划。当前第1页12当前第1页12