CN106997688A - 基于多传感器信息融合的停车场停车位检测方法 - Google Patents

Abstract

本发明公开了一种基于多传感器信息融合的停车场停车位检测方法，包括如下步骤：步骤1：将激光雷达、陀螺仪和加速度计安置于移动平台上，并驱动移动平台在停车场移动；步骤2：在移动平台移动过程中，获取激光雷达的检测数据并对检测数据进行预处理；步骤3：利用预处理后的检测数据依次进行特征提取和模式匹配，识别停车场中的局部车位信息；步骤4：分析陀螺仪和加速度计获取的数据，确定移动平台的位置和姿态，通过移动平台的位姿推算对局部车位信息进行校正；步骤5：通过对多个局部环境进行叠加生成停车场空车位的场景地图。本发明可适用于室内停车场、室外停车场以及路边停车场等对于停车位的智能识别。

Description

基于多传感器信息融合的停车场停车位检测方法

技术领域

本发明涉及一种停车场停车位检测方法，具体的为一种基于多传感器信息融合的停车场停车位检测方法，可适用于室内停车场、室外停车场以及路边停车场等对于停车位的智能识别。

背景技术

近几年城市车辆的不断增加，时有发生驾驶人员在停车场停车难、找车难的情况，使停车场的服务质量大打折扣。同时，现有停车场管理***的使用和维护，以及人员的管理成本较高，***的稳定性也有待加强，如何高效的利用现有的停车位成为了城市发展中必须要解决的问题。

通过查阅相关专利和论文，发现现有车位管理主要有：

通过布设地感线圈检测车辆；地感线圈检测法施工困难，需要挖开路面，容易对路面造成破坏，并且线圈易损坏,难以维护；

利用超声波、红外线等传感手段进行空车位检测；超声波、红外线等检测手段受天气、环境、温度和气流变化的影响，不适合于室外停车场及全天候使用，且非车辆物体经过检测区域时容易产生干扰导致检测结果不准确；

基于摄像头的视觉检测方法，即对采集的图像进行分析处理；视频车辆检测法受光照环境影响大，且检测的准确率与摄像头的安放位置有关，是静止检测，不能灵活机动，同时，由于需要一定数量的摄像头覆盖停车场，因此成本较高；

基于ZigBee无线传感网络和调制红外检测技术的停车场车位实时检测；基于ZigBee无线传感网络和调制红外检测技术解决了温度、天气的影响，并且采用无线通信的手段避免对地面的损坏，但是它仍然需要在各个车位安装传感器，加大停车场的固定资产投入，并且由于要考虑环境中种种因素对信号检测、传输的干扰，无疑加大了技术难度、提高维护成本。

发明内容

有鉴于此，为了解决现有技术中存在的不足，本发明的目的在于提供一种基于多传感器信息融合的停车场停车位检测方法，可适用于室内停车场、室外停车场以及路边停车场等对于停车位的智能识别。

为达到上述目的，本发明提供如下技术方案：

一种基于多传感器信息融合的停车场停车位检测方法，包括如下步骤：

步骤1：将激光雷达、陀螺仪和加速度计安置于移动平台上，并驱动移动平台在停车场移动；

步骤2：在移动平台移动过程中，获取激光雷达的检测数据并对检测数据进行预处理；

步骤3：利用预处理后的检测数据依次进行特征提取和模式匹配，识别停车场中的局部车位信息；

步骤4：分析陀螺仪和加速度计获取的数据，确定移动平台的位置和姿态，通过移动平台的位姿推算对局部车位信息进行校正；

步骤5：通过对多个局部环境进行叠加生成停车场空车位的场景地图。

进一步，所述步骤2中，采用中值滤波法对获取的激光雷达数据(p₁,p₂…p_i)进行滤波预处理。

进一步，所述步骤3中，对检测数据进行特征提取的方法如下：

步骤31：将采集到距离信息(p₁,p₂…p_i)转换为极坐标(θ₁,p₁),(θ₂,p₂)...(θ_i,p_i)的形式，并以极坐标系的坐标原点作为直角坐标系的坐标原点，将极坐标形式转换为直角坐标(x₁,y₁),(x₂,y₂)...(x_i,y_i)的形式；

步骤32：采用给定的阈值theta将数据分割成区域(D₁,D₂...D_m)，其中D_i是(x₁,y₁),(x₂,y₂)...(x_i,y_i)的集合，数据分割的标准是同一区域内相邻点的间距小于上述给定的阈值theta；

步骤33：将区域D_i的起始点(x₁,y₁)和终止点(x_n,y_n)相连构造辅助线，计算区域D_i内各点(x_i,y_i)到该辅助线的距离；

若存在某点到辅助线的距离d_i大于所给定的阈值β，则认为区域中存在角点；则重复步骤32，并以角点为分界线重新对区域D_i进行二次分割，直到分割得到的区域内不存在角点为止；

若区域中不存在角点，则进入步骤34；

步骤34：用最小二乘法将区域中的点拟合为线段，得到线段集合(L₁,L₂...L_n)；拟合的直线方程为：

y＝a*x+b

其中a为直线的斜率，且

b为直线在y坐标轴上的截距，且

进一步，所述步骤3中，将所得特征与车辆轮廓特征进行模式匹配的方法如下：

步骤35：根据与角点相邻的线段集合(L₁,L₂...L_n)，求取相邻边之间的夹角α；

步骤36：当夹角α落在设定的夹角区间范围时，则记录两相邻边相夹的角点C_i的位置s_i，并计算该角点C_i到相邻边各点原始数据的距离，若大于给定的阈值β，则排除相似物体干扰，并根据该角点C_i的位置s_i在停车场中的位置，确定已停放车辆的停车位置(s₁,s₂...s_n)；反之，若某停车位不存在符合上述特征描述的物体，则认为该停车位空闲。

进一步，所述步骤4中，通过移动平台的位姿推算对局部车位信息进行校正的方法如下：

步骤41：以(x,y)坐标形式表示移动平台的位置，但由于移动平台的位置状态是变化的，则在H时刻移动平台的位置状态需要用(x_H,y_H,θ_H)进行描述；

其中：x_H＝x_H-1+v_Hsin(θ_H+ω_HΔt)；

y_H＝y_H-1+v_Hcos(θ_H+ω_HΔt)；

θ_H＝θ_H-1+ω_HΔt；

其中，Δt为H时刻与H-1时刻之间的时间间隔；

步骤42：引入状态变量L_H，以L^* _H＝(x_H,y_H,v_x,v_y)来标识小车的初始状态；更新后的移动平台的位置状态变量为P_H＝(x_H,y_H)，表示优化后的小车的位姿信息；

其中，v_x表示移动平台在X方向上的速度；v_y表示移动平台在Y方向上的速度；

采用滤波算法校正车位信息的方法为：

(1)对H-1到H时刻的状态进行预测，得到先验概率；

(2)根据观察量对预测状态进行修正，得到后验概率，也就是最优值；

在这个过程中，每个状态可以由高斯分布概率来表示，将其定义为：

其中，P为高斯分布的均值，即最优值；σ是高斯分布的方差，也就是噪音；即将一个概率最高的最优值近似为最终的精确解；

故据此设立状态转移方程：

L_H＝AL^* _H+C_HΔt

其中：A为修正矩阵，在匀速变化情况下设为1；L^* _H表示H时刻观测到的小车位置状态，L_H表示H时刻的紧邻时刻的小车位置状态；

同时，存在以下映射关系：

z(ρ_H)＝(x_H ²+y_H ²)

(x_H，y_H)＝(ρ_Hcosθ_H,ρ_Hsinθ_H)

其中：ρ_H为极坐标下H时刻的极径；z(ρ_H)表示H时刻在极坐标下的小车坐标；

设立噪音状态转移方程：

N^* _H＝A_HN^* _H-1A_H ^T+U

其中：N^* _H表示H时刻修正后的噪音状态；A_H表示H时刻的修正矩阵；A_H ^T表示H时刻的修正矩阵的转置；

则卡尔曼增益为：

K_H＝N_HW^T(WN_H-W^T+G)^-1

其中：W表示直角坐标向极坐标转化的映射矩阵。W^T为W的转置；K_H表示H时刻的卡尔曼增益；

状态变量修正方程：

P_H＝P^* _H+K_H(z_H-WP^* _H)

其中：P^* _H表示修正后的状态变量；z_H表示极坐标下的H时刻的小车坐标；

噪音修正方程：

N_H＝(E-K_HW)N_H

其中，E为单位矩阵；噪音变量N用来描述计算误差；N_H为H时刻的噪音变量。

z_H＝W*L_H

其中，z_H表示极坐标下的H时刻的小车坐标。

控制变量C＝(v,ω)，用来记录小车的实时线速度和角速度；H时刻的控制变量C_H＝(v_H,ω_H)；

噪音增量U，用来修正由于小车状态变化导致的噪音的变化；

观测矩阵G，用来表示实际噪音情况；

步骤43：利用步骤41和步骤42对步骤3中得到的已停放车辆的停车位置(s₁,s₂...s_n)进行校正，得到校正后的停车位信息(S₁,S₂...S_n)，并以校正后的停车位信息作为最终确认的车位信息。

本发明的有益效果在于：

本发明基于多传感器信息融合的停车场停车位检测方法，可快速精确地识别停车场中的空车位，该方法的优点是结构简单，易于实现，受环境影响较小，可适用于室内停车场、室外停车场以及路边停车场等多种环境。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于多传感器信息融合的停车场停车位检测方法实施例的流程图；

图2为区域分割的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，本实施例基于多传感器信息融合的停车场停车位检测方法，包括如下步骤：

步骤1：将激光雷达、陀螺仪和加速度计安置于移动平台上，并驱动移动平台在停车场移动。

步骤2：在移动平台移动过程中，获取激光雷达的检测数据并对检测数据进行预处理；本实施例采用中值滤波法对获取的激光雷达数据(p₁,p₂…p_i)进行滤波预处理，所取的滤波长度参考值为5，即选取5个周期的数据，然后取其中位数，以消除干扰，增加数据的可靠性。

步骤3：利用预处理后的检测数据依次进行特征提取和模式匹配，识别停车场中的局部车位信息。具体的，本实施例对检测数据进行特征提取的方法如下：

步骤31：将采集到距离信息(p₁,p₂…p_i)转换为极坐标(θ₁,p₁),(θ₂,p₂)...(θ_i,p_i)的形式，并以极坐标系的坐标原点作为直角坐标系的坐标原点，将极坐标形式转换为直角坐标(x₁,y₁),(x₂,y₂)...(x_i,y_i)的形式；计算直角坐标系各坐标的坐标值的计算公式如下：

步骤32：采用给定的阈值theta将数据分割成区域(D₁,D₂...D_m)，其中D_i是(x₁,y₁),(x₂,y₂)...(x_i,y_i)的集合，如图2所示。其中p＝5mm，表明若激光雷达返回的数据小于5mm，认为该数据识读错误，故丢弃；dist为两相邻点间距离，数据分割的标准是同一区域内相邻点的间距小于上述给定的阈值theta。本实施例的阈值theta＝200mm。

步骤33：对区域分割后，需要根据数据进行特征提取。在本实施例中，需要获取的特征包括两个，一方面需要判断区域中是否存在角点，如果存在需要进行标定；另一方面，需要对区域中的线段进行拟合。

将区域D_i的起始点(x₁,y₁)和终止点(x_n,y_n)相连构造辅助线，计算区域D_i内各点(x_i,y_i)到该辅助线的距离；

其中，辅助线通过两点式构造，其直线方程为：

计算区域D_i内各点(x_i,y_i)到该辅助线的距离为：

若存在某点到辅助线的距离d_i大于所给定的阈值β，则认为区域中存在角点；则重复步骤32，并以角点为分界线重新对区域D_i进行二次分割，直到分割得到的区域内不存在角点为止；同时将到辅助线距离最远的点标定为角点C_i，得到角点集合(C₁,C₂...C_n)。本实施例的阈值β＝150mm。

若区域中不存在角点，则进入步骤34；

步骤34：用最小二乘法将区域中的点拟合为线段，得到线段集合(L₁,L₂...L_n)；拟合的直线方程为：

y＝a*x+b

其中a为直线的斜率，且

b为直线在y坐标轴上的截距，且

本实施例将所得特征与车辆轮廓特征进行模式匹配的方法如下：

步骤35：应用模式匹配算法将所得特征与车辆轮廓特征进行匹配，识别并得到车辆位置信息。考虑到停车环境中，车辆与其他物体相区别的主要特征表现为车辆轮廓具有近似垂直的相邻的边，并且在车灯处存在一定弧度。因此，

根据与角点相邻的线段集合(L₁,L₂...L_n)，求取相邻边之间的夹角α；假设两相邻边直线方程分别为y＝a₁*x+b₁和y＝a₂*x+b₂，则它们之间的夹角为α为：

步骤36：当夹角α落在设定的夹角区间范围时，则记录两相邻边相夹的角点C_i的位置s_i，考虑到停车场中可能有立柱或其他具有相似特征的物体的干扰，因此对于干扰进行排除。计算该角点C_i到相邻边各点原始数据的距离，即若大于所给阈值β，表示在角点附近存在一定弧度，因此能够排除立柱等相似物体。根据该角点位置在停车场中的位置，确定已停放车辆的停车位置(s₁,s₂...s_n)；反之，若某停车位不存在符合上述特征描述的物体，则认为该停车位空闲。

步骤4：分析陀螺仪和加速度计获取的数据，确定移动平台的位置和姿态，通过移动平台的位姿推算对局部车位信息进行校正。

以激光雷达测得的距离信息、步骤3中识别的车辆位置信息(s₁,s₂...s_n)作为校正输入，以更新后的在全局坐标中的移动平台的位置与停车位信息作为输出。其中，通过位姿推算可获得每一时刻移动平台的位姿；将激光雷达测得的距离信息、传感器之间的相对位置信息与当前时刻的机器人位姿三者相结合，可以计算出停车位在全局坐标系下的坐标，再用特征提取与车位识别等方法判断车位状态、构建环境地图并实时更新，从而完成局部的停车位识别与地图构建。

具体的，本实施例通过移动平台的位姿推算对局部车位信息进行校正的方法如下：

步骤41：以(x,y)坐标形式表示移动平台的位置，但由于移动平台的位置状态是变化的，则在H时刻移动平台的位置状态需要用(x_H,y_H,θ_H)进行描述；

其中：x_H＝x_H-1+v_Hsin(θ_H+ω_HΔt)；

y_H＝y_H-1+v_Hcos(θ_H+ω_HΔt)；

θ_H＝θ_H-1+ω_HΔt；

其中，Δt为H时刻与H-1时刻之间的时间间隔；

上式仅能大致描述移动平台的位置，但是随着时间的推进，误差会被累计。因此，该方案引入滤波算法消除误差的影响。

步骤42：引入状态变量L_H，以L^* _H＝(x_H,y_H,v_x,v_y)来标识小车的初始状态；更新后的移动平台的位置状态变量为P_H＝(x_H,y_H)，表示优化后的小车的位姿信息；

其中，v_x表示移动平台在X方向上的速度；v_y表示移动平台在Y方向上的速度；

采用滤波算法校正车位信息的方法为：

(1)对H-1到H时刻的状态进行预测，得到先验概率；

(2)根据观察量对预测状态进行修正，得到后验概率，也就是最优值；

在这个过程中，每个状态可以由高斯分布概率来表示，将其定义为：

其中，P为高斯分布的均值，即最优值；σ是高斯分布的方差，也就是噪音；即将一个概率最高的最优值近似为最终的精确解；

故据此设立状态转移方程：

L_H＝AL^* _H+C_HΔt

其中：A为修正矩阵，在匀速变化情况下设为1；L^* _H表示H时刻观测到的小车位置状态，L_H表示H时刻的紧邻时刻的小车位置状态。

同时，存在以下映射关系：

_z(ρ_H)＝(x_H ²+y_H ²)

(x_H，y_H)＝(ρ_Hcosθ_H,ρ_Hsinθ_H)

其中：ρ_H为极坐标下H时刻的极径；z(ρ_H)表示H时刻在极坐标下的小车坐标。

设立噪音状态转移方程：

N^* _H＝A_HN^* _H-1A_H ^T+U

其中：N^* _H表示H时刻修正后的噪音状态；A_H表示H时刻的修正矩阵。A_H ^T表示H时刻的修正矩阵的转置。

则卡尔曼增益为：

K_H＝N_HW^T(WN_H-W^T+G)^-1

其中：W表示直角坐标向极坐标转化的映射矩阵。W^T为W的转置；K_H表示H时刻的卡尔曼增益。

状态变量修正方程：

P_H＝P^* _H+K_H(z_H-WP^* _H)

其中：P^* _H表示修正后的状态变量；z_H表示极坐标下的H时刻的小车坐标。

噪音修正方程：

N_H＝(E-K_HW)N_H

其中，E为单位矩阵；噪音变量N用来描述计算误差；N_H为H时刻的噪音变量。

z_H＝W*L_H

其中，z_H表示极坐标下的H时刻的小车坐标。

控制变量C＝(v,ω)，用来记录小车的实时线速度和角速度；H时刻的控制变量C_H＝(v_H,ω_H)；

噪音增量U，用来修正由于小车状态变化导致的噪音的变化；

观测矩阵G，用来表示实际噪音情况；

步骤43：利用步骤41和步骤42对步骤3中得到的已停放车辆的停车位置(s₁,s₂…s_n)进行校正，得到校正后的停车位信息(S₁,S₂…S_n)，并以校正后的停车位信息作为最终确认的车位信息。

步骤5：通过对多个局部环境进行叠加生成停车场空车位的场景地图。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (5)

1.一种基于多传感器信息融合的停车场停车位检测方法，其特征在于：包括如下步骤：

步骤1：将激光雷达、陀螺仪和加速度计安置于移动平台上，并驱动移动平台在停车场移动；

步骤2：在移动平台移动过程中，获取激光雷达的检测数据并对检测数据进行预处理；

步骤3：利用预处理后的检测数据依次进行特征提取和模式匹配，识别停车场中的局部车位信息；

步骤4：分析陀螺仪和加速度计获取的数据，确定移动平台的位置和姿态，通过移动平台的位姿推算对局部车位信息进行校正；

步骤5：通过对多个局部环境进行叠加生成停车场空车位的场景地图。

2.根据权利要求1所述的基于多传感器信息融合的停车场停车位检测方法，其特征在于：所述步骤2中，采用中值滤波法对获取的激光雷达数据(p₁,p₂…p_i)进行滤波预处理。

3.根据权利要求2所述的基于多传感器信息融合的停车场停车位检测方法，其特征在于：所述步骤3中，对检测数据进行特征提取的方法如下：

步骤31：将采集到距离信息(p₁,p₂…p_i)转换为极坐标(θ₁,p₁),(θ₂,p₂)...(θ_i,p_i)的形式，并以极坐标系的坐标原点作为直角坐标系的坐标原点，将极坐标形式转换为直角坐标(x₁,y₁),(x₂,y₂)...(x_i,y_i)的形式；

步骤32：采用给定的阈值theta将数据分割成区域(D₁,D₂...D_m)，其中D_i是(x₁,y₁),(x₂,y₂)...(x_i,y_i)的集合，数据分割的标准是同一区域内相邻点的间距小于上述给定的阈值theta；

步骤33：将区域D_i的起始点(x₁,y₁)和终止点(x_n,y_n)相连构造辅助线，计算区域D_i内各点(x_i,y_i)到该辅助线的距离；

若存在某点到辅助线的距离d_i大于所给定的阈值β，则认为区域中存在角点；则重复步骤32，并以角点为分界线重新对区域D_i进行二次分割，直到分割得到的区域内不存在角点为止；

若区域中不存在角点，则进入步骤34；

步骤34：用最小二乘法将区域中的点拟合为线段，得到线段集合(L₁,L₂...L_n)；拟合的直线方程为：

y＝a*x+b

其中a为直线的斜率，且

b为直线在y坐标轴上的截距，且

$C=\underset{k=1}{\overset{n}{\Σ}}{(x_k-\stackrel{\‾}{x})}^2;$

$\stackrel{\‾}{x}=\frac{1}{n}*\underset{k=1}{\overset{n}{\Σ}}{x}_k;$

$\stackrel{\‾}{y}=\frac{1}{n}*\underset{k=1}{\overset{n}{\Σ}}{y}_k.$

4.根据权利要求3所述的基于多传感器信息融合的停车场停车位检测方法，其特征在于：所述步骤3中，将所得特征与车辆轮廓特征进行模式匹配的方法如下：

步骤35：根据与角点相邻的线段集合(L₁,L₂...L_n)，求取相邻边之间的夹角α；

步骤36：当夹角α落在设定的夹角区间范围时，则记录两相邻边相夹的角点C_i的位置s_i，并计算该角点C_i到相邻边各点原始数据的距离，若大于给定的阈值β，则排除相似物体干扰，并根据该角点C_i的位置s_i在停车场中的位置，确定已停放车辆的停车位置(s₁,s₂...s_n)；反之，若某停车位不存在符合上述特征描述的物体，则认为该停车位空闲。

5.根据权利要求4所述的基于多传感器信息融合的停车场停车位检测方法，其特征在于：所述步骤4中，通过移动平台的位姿推算对局部车位信息进行校正的方法如下：

步骤41：以(x,y)坐标形式表示移动平台的位置，但由于移动平台的位置状态是变化的，则在H时刻移动平台的位置状态需要用(x_H,y_H,θ_H)进行描述；

其中：x_H＝x_H-1+v_Hsin(θ_H+ω_HΔt)；

y_H＝y_H-1+v_Hcos(θ_H+ω_HΔt)；

θ_H＝θ_H-1+ω_HΔt；

其中，Δt为H时刻与H-1时刻之间的时间间隔；

步骤42：引入状态变量L_H，以L^* _H＝(x_H,y_H,v_x,v_y)来标识小车的初始状态；更新后的移动平台的位置状态变量为P_H＝(x_H,y_H)，表示优化后的小车的位姿信息；

其中，v_x表示移动平台在X方向上的速度；v_y表示移动平台在Y方向上的速度；

采用滤波算法校正车位信息的方法为：

(1)对H-1到H时刻的状态进行预测，得到先验概率；

(2)根据观察量对预测状态进行修正，得到后验概率，也就是最优值；

在这个过程中，每个状态可以由高斯分布概率来表示，将其定义为：

$\mathrm{\η}\left(x\right)=\stackrel{\‾}{N}(P,\mathrm{\σ})$

其中，P为高斯分布的均值，即最优值；σ是高斯分布的方差，也就是噪音；即将一个概率最高的最优值近似为最终的精确解；

故据此设立状态转移方程：

L_H＝AL^* _H+C_HΔt

其中：A为修正矩阵，在匀速变化情况下设为1；L^* _H表示H时刻观测到的小车位置状态，L_H表示H时刻的紧邻时刻的小车位置状态；

同时，存在以下映射关系：

z(ρ_H)＝(x_H ²+y_H ²)

(x_H，y_H)＝(ρ_Hcosθ_H,ρ_Hsinθ_H)

其中：ρ_H为极坐标下H时刻的极径；z(ρ_H)表示H时刻在极坐标下的小车坐标；

设立噪音状态转移方程：

N^* _H＝A_HN^* _H-1A_H ^T+U

其中：N^* _H表示H时刻修正后的噪音状态；A_H表示H时刻的修正矩阵；A_H ^T表示H时刻的修正矩阵的转置；

则卡尔曼增益为：

K_H＝N_HW^T(WN_H-W^T+G)^-1

其中：W表示直角坐标向极坐标转化的映射矩阵；W^T为W的转置；K_H表示H时刻的卡尔曼增益；

状态变量修正方程：

P_H＝P^* _H+K_H(z_H-WP^* _H)

其中：P^* _H表示修正后的状态变量；z_H表示极坐标下的H时刻的小车坐标；

噪音修正方程：

N_H＝(E-K_HW)N_H

其中，E为单位矩阵；噪音变量N用来描述计算误差；N_H为H时刻的噪音变量；

z_H＝W*L_H

其中，z_H表示极坐标下的H时刻的小车坐标；

控制变量C＝(v,ω)，用来记录小车的实时线速度和角速度；H时刻的控制变量C_H＝(v_H,ω_H)；

噪音增量U，用来修正由于小车状态变化导致的噪音的变化；

观测矩阵G，用来表示实际噪音情况；

步骤43：利用步骤41和步骤42对步骤3中得到的已停放车辆的停车位置(s₁,s₂...s_n)进行校正，得到校正后的停车位信息(S₁,S₂...S_n)，并以校正后的停车位信息作为最终确认的车位信息。