CN111753649A - 车位检测方法、装置、计算机设备和存储介质 - Google Patents
车位检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111753649A CN111753649A CN202010400638.XA CN202010400638A CN111753649A CN 111753649 A CN111753649 A CN 111753649A CN 202010400638 A CN202010400638 A CN 202010400638A CN 111753649 A CN111753649 A CN 111753649A
- Authority
- CN
- China
- Prior art keywords
- parking space
- ultrasonic
- image
- probability
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 29
- 238000002604 ultrasonography Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车位检测方法、装置、计算机设备和存储介质。所述方法包括:采集车辆周围的超声距离数据,所述超声距离数据携带有第一时间戳;通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,并根据所述障碍物概率地图得到超声车位概率地图;采集所述车辆周围的图像数据,所述图像数据携带有第二时间戳;对所述图像数据进行处理得到图像车位和图像可通行区域;根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图;根据所述车位地图以确定车位位置。采用本方法能够提高车位检测的准确性。
Description
技术领域
本申请涉及智能车辆技术领域,特别是涉及一种车位检测方法、装置、计算机设备和存储介质。
背景技术
随着智能驾驶技术的发展,出现了全自动泊车(APA)技术,极大地提高了自动驾驶技术的发展。
然而,从前期的纯超声泊车到现如今的纯视觉泊车都有其特有缺点,无法满足现有APA场景的需求。例如:纯超声泊车在全为空地的场景下,就失去了其基本功能;而纯视觉泊车在光线较暗,没有车位线或者车位线不清晰的情形下也失去了其基本功能。这样导致全自动泊车过程中车位检测不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高车位检测准确性的车位检测方法、装置、计算机设备和存储介质。
一种车位检测方法,所述方法包括:
采集车辆周围的超声距离数据,所述超声距离数据携带有第一时间戳;
通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,并根据所述障碍物概率地图得到超声车位概率地图;
采集所述车辆周围的图像数据,所述图像数据携带有第二时间戳;
对所述图像数据进行处理得到图像车位和图像可通行区域;
根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图;
根据所述车位地图以确定车位位置。
上述车位检测方法中,通过超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,此外还通过图像数据得到图像车位和图像可通行区域,这样根据第一时间戳和第二时间戳将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,从而将两者进行结合,可以提高车位检测的准确性。
在其中一个实施例中,所述通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,包括:
判断是否已生成了超声车位概率地图;
当未生成超声车位概率地图的,则从所述超声距离数据中读取超声探测范围以及障碍物距离,对所述超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第一概率,所述超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第二概率,并根据所述第一概率和所述第二概率生成障碍物概率地图。
上述实施例中,在没有生成超声车位概率地图时,即刚采集超声距离数据时,则对超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第一概率,超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第二概率,并根据第一概率和第二概率生成障碍物概率地图。
在其中一个实施例中,所述通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,还包括:
当已经生成了超声车位概率地图的,则获取上一张超声车位概率地图以及车辆在通行时间段的行驶距离,所述通行时间段是根据所述超声距离数据所携带的第一时间戳以及与所述第一时间戳相邻的前一时间戳计算得到的;
从所述超声距离数据中读取超声探测范围以及障碍物距离,并对所述超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第三概率,所述超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第四概率;
根据所述车辆的行驶距离,在所述上一张超声车位概率地图中定位所述超声探测范围以及障碍物距离;
根据所述第三概率和第四概率更新所述超声探测范围内、所述障碍物距离外的区域的概率,得到障碍物概率地图。
上述实施例中,上述障碍物概率地图的构建,克服了之前超声测距的以下劣势:原超声测距所代表的距离概率都是100%,无法进行有效剔除。超声包络所特有的特性,这使得使用超声泊车过程中要根据场景反复大量测试进行余量的标定。而本实施例中的障碍物地图的构建不需要以上操作,即可以一次就获得较高精度的障碍物的边缘信息。
在其中一个实施例中,所述对所述图像数据进行处理得到图像车位和图像可通行区域,包括:
对所述图像数据进行处理得到表征图像车位和图像可通行区域的概率图;
所述根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图,包括:
根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图。
上述实施例中,通过将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合,可以得到表征车位的第一车位概率图,因为均为概率地图,某一处是否为车位仅需要叠加两张地图,概率高的位置一定是可泊车位。
在其中一个实施例中,所述对所述图像数据进行处理得到图像车位和图像可通行区域,包括:
对所述图像数据进行处理得到表征图像车位的概率图和表征图像可通行区域的概率图;
所述根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图,包括:
根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合得到第二车位概率图。
上述实施例中,通过超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合,可以得到表征车位的第一车位概率图,因为均为概率地图,某一处是否为车位仅需要叠加三张地图,概率高的位置一定是可泊车位。
在其中一个实施例中,根据所述车位地图以确定车位位置之后,还包括:
从车辆的里程计读取车辆在通行时间段的行驶距离,所述通行时间段是根据所述超声距离数据所携带的第一时间戳以及与所述第一时间戳相邻的前一时间戳计算得到的;
获取所述前一时间戳对应的历史位置,并根据所述历史位置以及所述行驶距离得到车辆位置;
在所述车位地图上显示所述车辆位置。
上述实施例中,还将车辆位置显示在地图上,这样便于查找距离车辆较近的车位,从而方便泊车。
一种车位检测装置,所述装置包括:
超声距离数据采集模块,用于采集车辆周围的超声距离数据,所述超声距离数据携带有第一时间戳;
超声车位概率地图生成模块,用于通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,并根据所述障碍物概率地图得到超声车位概率地图;
图像数据采集模块,用于采集所述车辆周围的图像数据,所述图像数据携带有第二时间戳;
图像数据处理模块,用于对所述图像数据进行处理得到图像车位和图像可通行区域;
融合模块,用于根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图;
输出模块,用于根据所述车位地图以确定车位位置。
上述车位检测装置中,通过超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,此外还通过图像数据得到图像车位和图像可通行区域,这样根据第一时间戳和第二时间戳将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,从而将两者进行结合,可以提高车位检测的准确性。
在其中一个实施例中,所述超声车位概率地图生成模块包括:
判断单元,用于判断是否已生成了超声车位概率地图;
第一生成单元,用于当未生成超声车位概率地图的,则从所述超声距离数据中读取超声探测范围以及障碍物距离,对所述超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第一概率,所述超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第二概率,并根据所述第一概率和所述第二概率生成障碍物概率地图。
上述实施例中,在没有生成超声车位概率地图时,即刚采集超声距离数据时,则对超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第一概率,超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第二概率,并根据第一概率和第二概率生成障碍物概率地图。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述中任一项所述方法的步骤。
上述计算机设备,通过超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,此外还通过图像数据得到图像车位和图像可通行区域,这样根据第一时间戳和第二时间戳将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,从而将两者进行结合,可以提高车位检测的准确性。
一种计算机可读存储介质,其上存储有计算机程序,,所述计算机程序被处理器执行时实现上述中任一项所述的方法的步骤。
上述计算机可读存储介质,通过超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,此外还通过图像数据得到图像车位和图像可通行区域,这样根据第一时间戳和第二时间戳将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,从而将两者进行结合,可以提高车位检测的准确性。
附图说明
图1为一个实施例中车位检测方法的应用环境图;
图2为一个实施例中车位检测方法的流程示意图;
图3为一个实施例中的超声车位概率地图的示意图;
图4为一个实施例中的图像车位和图像可通行区域的示意图;
图5为一个实施例中的融合后的车位地图的示意图;
图6为一个实施例中的超声波探测器未扫描到障碍物时的示意图;
图7为一个实施例中的超声波探测器初次扫描到障碍物时的示意图;
图8为一个实施例中的超声波探测器最后一次扫描到障碍物时的示意图;
图9为另一个实施例中车位检测方法的流程示意图;
图10为再一个实施例中车位检测方法的流程示意图;
图11为一个实施例中车位检测装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的车位检测方法,可以应用于如图1所示的应用环境中。其中,车辆终端102与车辆上安装的各个控制器104进行通信,该控制器104可以包括但不限于安装在车辆上的摄像头、超声波传感器以及用于采集车辆运行数据的各个控制器。车辆终端102可以通过超声波传感器采集车辆周围的超声距离数据以及通过摄像头采集车辆周围的图像数据,超声距离数据携带有第一时间戳,图像数据携带有第二时间戳,其中车辆终端102通过贝叶斯原理根据超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,通过对图像数据进行处理得到图像车位和图像可通行区域,这样车辆终端102最后根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图;根据车位地图以确定车位位置。这样,通过超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,此外还通过图像数据得到图像车位和图像可通行区域,这样根据第一时间戳和第二时间戳将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,从而将两者进行结合,可以提高车位检测的准确性。其中,车辆终端102可以但不限于是各种安装在车辆上的个人计算机、笔记本电脑、智能手机、平板电脑。
在一个实施例中,如图2所示,提供了一种车位检测方法,以该方法应用于图1中的车辆终端为例进行说明,包括以下步骤:
S202:采集车辆周围的超声距离数据,超声距离数据携带有第一时间戳。
具体地,超声距离数据是通过车辆上安装的超声波传感器所采集的,该超声波传感器的发射器发射超声波,并记录发射波的发射时间,从而超声波遇见障碍物则会反射,这样超声波传感器的接收器接收到反射波,通过接收到反射波的时间、发射波的发射时间以及光波的传输速率则为超声距离数据,车辆终端可以根据超声距离数据、车辆的行驶速度等可以得到障碍物的相对于车辆的位置。
S204:通过贝叶斯原理根据超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图。
具体地,障碍物概率地图是指表征地图上各个位置存在障碍物的概率的地图,进而超声车位概率地图则是表征地图上各个位置存在车位的概率的地图。
车辆终端实时获取到上述超声距离数据,并根据该超声距离数据得到障碍物的位置,从而可以根据超声波传感器的探测范围以及该障碍物的位置来生成障碍物概率地图。
具体地,超声数据为传感器直接读数,对超声波传感器来讲,读数为距离m,表示在该超声探测范围内,距离超声波传感器m处有障碍物。因读数没有角度信息,只有距离信息,因此车辆终端只能确定在距离超声波传感器的一段圆弧边(半径为m)上有障碍物,具体是哪个部分有障碍物无法确定,因此距离超声波传感器m处至超声波传感器探测范围内具有障碍物的概率增加,距离超声波传感器的距离小于m处具有障碍物的概率不变,这样经过多次扫描即可以得到障碍物概率地图。在车辆行驶过程中,超声波传感器探测包络扫过栅格地图点,单个栅格地图点会被多次扫描,从而得出最准确的障碍物位置。从而没有障碍物的区域,则认为可能存在车位,因此车辆终端可以根据障碍物概率地图得到超声车位概率地图,即存在障碍物的概率越大,则存在车位的概率越小,存在障碍物的概率越小,则存在车位的概率越大,具体地,超声车位概率地图可以参见图3所示。
S206:采集车辆周围的图像数据,图像数据携带有第二时间戳。
具体地,图像数据是指车辆周围的摄像头采集的图像数据,其中车辆周围可以包括多个摄像头,例如4个或者是更多的摄像头,图像数据可以是根据该多个摄像头所采集的图像生成环视图,该环视图可以是根据时间戳相同的单张图像来生成的,这样该相同的时间戳即为环视图的第二时间戳。
此外,可选地,该采集车辆周围的图像数据的步骤可以与上述的采集车辆周围的超声距离数据的步骤是并行进行的,这样保证数据的处理效率,例如,车辆终端通过第一线程来采集超声距离数据,并根据超声距离数据来得到超声车位概率图,车辆终端通过第二线程来采集图像数据,并对图像数据进行处理得到图像车位和图像可通行区域。
S208:对图像数据进行处理得到图像车位和图像可通行区域。
具体地,图像车位是指通过对图像数据进行处理得到的车位位置,图像可通行区域是指通过对图像数据进行处理得到的可通行区域的位置。车辆终端对图像数据进行处理的方式可以是通过深度学习模型来对图像数据进行处理以得到图像车位和图像可通行区域。
图像车位检测可以采用多种方法,例如使用深度学习训练车位检测的学习网络,前期人工标识大量训练图片(标记出图像中车位与非车位像素),通过训练网络获得可靠的识别率,应用时输入图片即可输出检测到的车位信息。图像可通行区域Freespace也可以应用相同的方法,区别在于网络结构的选用以及前期标识时进行的标记不同图像可通行区域需要标记可通行区域和不可通行区域,具体地,通过对图像数据进行处理所得到的图像车位和图像可通行区域可以如图4所示。
S210:根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图。
S212:根据车位地图以确定车位位置。
具体地,车位地图是是可以表征车位位置的地图,其是通过将超声车位概率地图、图像车位和图像可通行区域进行叠加融合得到的,例如上述的图像车位和图像可通行区域均是地图中的概率区域,则车辆终端将超声车位概率地图、图像车位和图像可通行区域的概率区域进行叠加,这样得到一张表征车位的概率的车位地图。其中图像车位和图像可通行区域的概率为100%时,则确定为车位或可通信区域,此时对应的深度学习模型可以为二分类模型;若深度学习模型是概率模型,则图像车位和图像可通信区域是以概率进行表征的,则需要将图像车位和图像可通行区域的概率与超声车位概率地图中的概率进行叠加以进行判断。
然后车辆终端通过预设的概率阈值进行判断,例如车辆终端将概率大于概率阈值的位置判定为车位位置,最后根据常规车位的形状等对车位位置进行滤波处理得到准确的车位位置,具体地,融合后的地图可以参见图5所示。
上述车位检测方法中,通过超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图,此外还通过图像数据得到图像车位和图像可通行区域,这样根据第一时间戳和第二时间戳将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,从而将两者进行结合,可以提高车位检测的准确性。
在其中一个实施例中,通过贝叶斯原理根据超声距离数据生成障碍物概率地图,包括:判断是否已生成了超声车位概率地图;当未生成超声车位概率地图的,则从超声距离数据中读取超声探测范围以及障碍物距离,对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第一概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第二概率,并根据第一概率和第二概率生成障碍物概率地图。其中此处的第一概率和第二概率若是表征车位和可通行区域的,则第一概率为100%,第二概率为0%,若第一概率和第二概率若是表征障碍物区域的,则第一概率为0%,第二概率为100%。
在其中一个实施例中,通过贝叶斯原理根据超声距离数据生成障碍物概率地图,包括:当已经生成了超声车位概率地图的,则获取上一张超声车位概率地图以及车辆在通行时间段的行驶距离。通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;从超声距离数据中读取超声探测范围以及障碍物距离,并对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第三概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第四概率;根据车辆的行驶距离,在上一张超声车位概率地图中定位超声探测范围以及障碍物距离;根据第三概率和第四概率更新超声探测范围内、障碍物距离外的区域的概率,得到障碍物概率地图。其中此处的第三概率和第四概率若是表征车位和可通行区域的,则第三概率为100%,第四概率为0%,若第三概率和第四概率若是表征障碍物区域的,则第三概率为0%,第四概率为100%。
具体地,请参照图6至图8所示,其中图6为一个实施例中的超声波探测器未扫描到障碍物时的示意图,图7为一个实施例中的超声波探测器初次扫描到障碍物时的示意图,图8为一个实施例中的超声波探测器最后一次扫描到障碍物时的示意图。具体地,以图6中两个栅格地图点为例,黑色填充圆代表实际障碍物,标记为黑点,黑色未填充圆为实际障碍物周边一个点,应为空闲,即非障碍物区域,标记为白。当车辆还未扫到障碍物时,白点非障碍物概率一直在增加,黑点因为没有扫到,概率不变。当车辆扫描到障碍物时,因为白点与黑点距离传感器的距离相同,所以它们被占有的概率,即障碍物概率会同步增加。当车辆扫描范围离开白点时,白点的被占有概率,即障碍物概率不再改变,因其已不在探测范围内。而此时黑点的被占有概率,即障碍物概率持续增加,直到扫描完毕。可以看到,在整个扫描过程中,黑点只要在探测范围内,其被占有概率,即障碍物概率持续增加,而白点仅在部分时候会增加,其余时间空闲概率,即非障碍物概率会不变。这一现象在白点距离黑点更远时更加明显。因此可以确认,在扫描完毕后,实际障碍物处,被占有概率,也就是说障碍物概率最高,其周边栅格点的被占有概率,即障碍物概率逐渐减小,这样扫描完成即可以得到表征障碍物位置的障碍物概率图,从而车辆终端通过设定合理的阈值后即可提取障碍物边缘。
此外,上述过程中当扫单次描到某一障碍物时,是没有办法确定其具***置的。如果不使用概率地图,则需要根据实际的包络形状,按照复杂的逻辑判断障碍物在何处。这个过程需要很多的标定值。而采用概率地图以后,按照上述方法,不再需要如此判断,也就不需要标定,从而可以提高效率。
上述实施例中,上述障碍物概率地图的构建,克服了之前超声测距的以下劣势:原超声测距所代表的距离概率都是100%,无法进行有效剔除。超声包络所特有的特性,这使得使用超声泊车过程中要根据场景反复大量测试进行余量的标定。而本实施例中的障碍物地图的构建不需要以上操作,即可以一次就获得较高精度的障碍物的边缘信息。
在其中一个实施例中,对图像数据进行处理得到图像车位和图像可通行区域,包括:将图像数据输入至预先训练得到的车位检测模型,得到图像车位;将图像数据输入至预先训练得到的可通行区域检测模型中,得到图像可通行区域。上述实施例中,分别通过深度学习得到图像车位和图像可通行位置,可以获得比较可靠的识别率。
在其中一个实施例中,对图像数据进行处理得到图像车位和图像可通行区域,包括:对图像数据进行处理得到表征图像车位的概率图和表征图像可通行区域的概率图;根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,包括:根据第一时间戳和第二时间戳,将超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合得到第二车位概率图。上述实施例中,通过超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合,可以得到表征车位的第一车位概率图,因为均为概率地图,某一处是否为车位仅需要叠加三张地图,概率高于概率阈值的位置一定是可泊车位,其中该概率阈值可以是预先设定的,例如90%等,对此不作具体的限制。
具体地,请参见图9,图9为另一个实施例中的车位检测方法的流程示意图。其中车辆终端可以采用多线程处理的方式,其中第一线程通过超声波传感器采集超声距离数据,然后根据超声距离数据生成障碍物概率地图,再根据障碍物概率地图得到超声车位概率地图。第二线程通过摄像头采集到图像数据,其中可以将摄像头采集的数据进行拼接得到环视图,然后第二线程开启另外一个第三线程,其中第二线程可以对环视图或原始图像数据进行处理生成视觉可通行区域,即上文中的图像可通行区域。第三线程对环视图或原始图像数据进行处理生成视觉车位,即上文中的图像车位。其中第二线程和第三线程的处理可以是通过深度学习来进行,例如第三线程中车辆终端将图像数据输入至预先训练得到的车位检测模型,得到图像车位;第二线程中车辆终端将图像数据输入至预先训练得到的可通行区域检测模型中,得到图像可通行区域。最后车辆终端将所得到上述超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合,即根据时间戳确定对应的图,然后根据图像坐标确定各个对应的图像区域,最后将对应图像区域的概率相加进行融合,这样可以得到第二车位概率图,进而车辆终端根据该第二车位概率图可以确定车位位置。且可选地,车辆终端还可以设置第四线程,这样通过第四线程读取车辆的速度和行驶方向,从而可以根据车辆的速度和行驶方向对车辆进行定位,并显示到第二车位概率图中,可选地,由于第二车位概率图的计算耗费时间,因此需要对车辆进行补偿,以确定车辆在第二车位概率图中的准确位置,例如通过预设耗费时间以及当前车速和车辆行驶方向来确定补偿位移,再根据车辆的定位位置以及该补偿位移确定车辆的准确位置。
上述实施例中,通过超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合,可以得到表征车位的第一车位概率图,因为均为概率地图,某一处是否为车位仅需要叠加三张地图,例如将该处的三张图中的概率进行相加得到综合概率,并将综合概率与预先设定的阈值进行比较,概率高于阈值的位置一定是可泊车位。
在其中一个实施例中,对图像数据进行处理得到图像车位和图像可通行区域,包括:将图像数据输入至预先训练得到的车位和可通行区域检测模型,得到图像车位和图像可通行区域。上述实施例中,通过深度学习得到图像车位和图像可通行位置,可以获得比较可靠的识别率。
在其中一个实施例中,对图像数据进行处理得到图像车位和图像可通行区域,包括:对图像数据进行处理得到表征图像车位和图像可通行区域的概率图;根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,包括:根据第一时间戳和第二时间戳,将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图。上述实施例中,通过将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合,可以得到表征车位的第一车位概率图,因为均为概率地图,某一处是否为车位仅需要叠加两张地图,例如将该处的三张图中的概率进行相加得到综合概率,并将综合概率与预先设定的阈值进行比较,概率高于阈值的位置一定是可泊车位。
具体地,请参见图10,图10为再一个实施例中的车位检测方法的流程示意图。其中车辆终端可以采用多线程处理的方式,其中第一线程通过超声波传感器采集超声距离数据,然后根据超声距离数据生成障碍物概率地图,再根据障碍物概率地图得到超声车位概率地图。第二线程通过摄像头采集到图像数据,其中可以将摄像头采集的数据进行拼接得到环视图,然后第二线程将图像数据输入至预先训练得到的车位和可通行区域检测模型,得到图像车位和图像可通行区域。最后车辆终端将所得到超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图,即根据时间戳确定对应的图,然后根据图像坐标确定各个对应的图像区域,最后将对应图像区域的概率相加进行融合,这样可以得到第一车位概率图,进而车辆终端根据该第一车位概率图可以确定车位位置。且可选地,车辆终端还可以设置另外一个线程,这样通过另外一个线程读取车辆的速度和行驶方向,从而可以根据车辆的速度和行驶方向对车辆进行定位,并显示到第一车位概率图中,可选地,由于第一车位概率图的计算耗费时间,因此需要对车辆进行补偿,以确定车辆在第一车位概率图中的准确位置,例如通过预设耗费时间以及当前车速和车辆行驶方向来确定补偿位移,再根据车辆的定位位置以及该补偿位移确定车辆的准确位置。
上述实施例中,通过将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合,可以得到表征车位的第一车位概率图,因为均为概率地图,某一处是否为车位仅需要叠加两张地图,概率高的位置一定是可泊车位。
在其中一个实施例中,根据车位地图以确定车位位置之后还包括:从车辆的里程计读取车辆在通行时间段的行驶距离,通行时间段是根据所述超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;在车位地图上显示车辆位置。
具体地,其中为了准确地对车辆进行控制,车辆终端还在车位地图上显示车辆的位置,具体地,车辆终端可以单独开启一个线程,在该线程中,车辆终端从车辆的里程计读取车辆的行驶距离,例如可以实时读取通行时间段的行驶距离,该通时间段是根据所述超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的,获取前一时间戳对应的历史位置,并根据历史位置以及行驶距离得到车辆位置;也就是相邻的超声距离数据的采集时间的差值,这样通过里程累加即可以在车位地图上显示车辆位置,其中相邻时间戳的时间是与超声距离数据的采集频率有关的,例如1ms或者是10ms等,用户可以自行设置。
且可选地,由于车位地图的生成需要耗费一定的时间,为了补偿该部分里程差,车辆终端可以根据车辆速度和行驶方向来确定补偿位移,并将根据第一时间戳和第二时间戳所确定的车辆位置以及该补偿位移来更新车辆位置,这样所得到的车辆的位置是准确的,从而在车位地图上显示准确的车辆位置。例如车辆终端可以根据超声距离数据来确定车辆的位置,但是该位置是对应第一时间戳的位置,在计算超声障碍物概率地图时会耗费一定的时间,这样车辆的位置会发生变化,因此车辆终端为了补偿该部分变化,车辆终端根据车辆速度和行驶方向来确定补偿位移,并将根据第一时间戳和第二时间戳所确定的车辆位置以及该补偿位移来更新车辆位置,以保证车辆位置的准确性。
上述实施例中,还将车辆位置显示在地图上,这样便于查找距离车辆较近的车位,从而方便泊车。
应该理解的是,虽然图2、图9和图10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图9和图10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种车位检测装置,包括:超声距离数据采集模块100、超声车位概率地图生成模块200、图像数据采集模块300、图像数据处理模块400、融合模块500和输出模块600,其中:
超声距离数据采集模块100,用于采集车辆周围的超声距离数据,超声距离数据携带有第一时间戳;
超声车位概率地图生成模块200,用于通过贝叶斯原理根据超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图;
图像数据采集模块300,用于采集车辆周围的图像数据,图像数据携带有第二时间戳;
图像数据处理模块400,用于对图像数据进行处理得到图像车位和图像可通行区域;
融合模块500,用于根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图;
输出模块600,用于根据车位地图以确定车位位置。
在其中一个实施例中,上述的超声车位概率地图生成模块200可以包括:
判断单元,用于判断是否已生成了超声车位概率地图;
第一生成单元,用于当未生成超声车位概率地图的,则从超声距离数据中读取超声探测范围以及障碍物距离,对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第一概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第二概率,并根据第一概率和第二概率生成障碍物概率地图。
在其中一个实施例中,上述的超声车位概率地图生成模块200还可以包括:
上一超声车位概率地图获取单元,用于当已经生成了超声车位概率地图的,则获取上一张超声车位概率地图以及车辆在通行时间段的行驶距离,通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;
读取单元,用于从超声距离数据中读取超声探测范围以及障碍物距离,并对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第三概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第四概率;
定位单元,用于根据车辆的行驶距离,在上一张超声车位概率地图中定位超声探测范围以及障碍物距离;
更新单元,用于根据第三概率和第四概率更新超声探测范围内、障碍物距离外的区域的概率,得到障碍物概率地图。
在其中一个实施例中,上述图像数据处理模块400还用于对图像数据进行处理得到表征图像车位和图像可通行区域的概率图;
上述融合模块500还用于根据第一时间戳和第二时间戳,将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图。
在其中一个实施例中,上述图像数据处理模块400还用于对图像数据进行处理得到表征图像车位的概率图和表征图像可通行区域的概率图;
上述融合模块500还用于根据第一时间戳和第二时间戳,将超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合得到第二车位概率图。
在其中一个实施例中,上述车位检测模块还包括:
行驶距离获取单元,用于从车辆的里程计读取车辆在通行时间段的行驶距离,通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;
显示单元,用于获取前一时间戳对应的历史位置,并根据历史位置以及行驶距离得到车辆位置;在车位地图上显示车辆位置。
关于车位检测装置的具体限定可以参见上文中对于车位检测方法的限定,在此不再赘述。上述车位检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车位检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:采集车辆周围的超声距离数据,超声距离数据携带有第一时间戳;通过贝叶斯原理根据超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图;采集车辆周围的图像数据,图像数据携带有第二时间戳;对图像数据进行处理得到图像车位和图像可通行区域;根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图;根据车位地图以确定车位位置。
在一个实施例中,处理器执行计算机程序时所实现的通过贝叶斯原理根据超声距离数据生成障碍物概率地图,包括:判断是否已生成了超声车位概率地图;当未生成超声车位概率地图的,则从超声距离数据中读取超声探测范围以及障碍物距离,对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第一概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第二概率,并根据第一概率和第二概率生成障碍物概率地图。
在一个实施例中,处理器执行计算机程序时所实现的通过贝叶斯原理根据超声距离数据生成障碍物概率地图,包括:当已经生成了超声车位概率地图的,则获取上一张超声车位概率地图以及车辆在通行时间段的行驶距离,通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;从超声距离数据中读取超声探测范围以及障碍物距离,并对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第三概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第四概率;根据车辆的行驶距离,在上一张超声车位概率地图中定位超声探测范围以及障碍物距离;根据第三概率和第四概率更新超声探测范围内、障碍物距离外的区域的概率,得到障碍物概率地图。
在一个实施例中,处理器执行计算机程序时所实现的对图像数据进行处理得到图像车位和图像可通行区域,包括:对图像数据进行处理得到表征图像车位和图像可通行区域的概率图;处理器执行计算机程序时所实现的根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,包括:根据第一时间戳和第二时间戳,将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图。
在一个实施例中,处理器执行计算机程序时所实现的对图像数据进行处理得到图像车位和图像可通行区域,包括:对图像数据进行处理得到表征图像车位的概率图和表征图像可通行区域的概率图;处理器执行计算机程序时所实现的根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,包括:根据第一时间戳和第二时间戳,将超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合得到第二车位概率图。
在一个实施例中,处理器执行计算机程序时所实现的根据车位地图以确定车位位置之后,还包括:从车辆的里程计读取车辆在通行时间段的行驶距离,通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;获取前一时间戳对应的历史位置,并根据历史位置以及行驶距离得到车辆位置;在车位地图上显示车辆位置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:采集车辆周围的超声距离数据,超声距离数据携带有第一时间戳;通过贝叶斯原理根据超声距离数据生成障碍物概率地图,并根据障碍物概率地图得到超声车位概率地图;采集车辆周围的图像数据,图像数据携带有第二时间戳;对图像数据进行处理得到图像车位和图像可通行区域;根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图;根据车位地图以确定车位位置。
在一个实施例中,计算机程序被处理器执行时所实现的通过贝叶斯原理根据超声距离数据生成障碍物概率地图,包括:判断是否已生成了超声车位概率地图;当未生成超声车位概率地图的,则从超声距离数据中读取超声探测范围以及障碍物距离,对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第一概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第二概率,并根据第一概率和第二概率生成障碍物概率地图。
在一个实施例中,计算机程序被处理器执行时所实现的通过贝叶斯原理根据超声距离数据生成障碍物概率地图,包括:当已经生成了超声车位概率地图的,则获取上一张超声车位概率地图以及车辆在通行时间段的行驶距离,通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;从超声距离数据中读取超声探测范围以及障碍物距离,并对超声探测范围内的与车辆的距离小于障碍物距离的区域标记为第三概率,超声探测范围内的与车辆的距离大于等于障碍物距离的区域标记为第四概率;根据车辆的行驶距离,在上一张超声车位概率地图中定位超声探测范围以及障碍物距离;根据第三概率和第四概率更新超声探测范围内、障碍物距离外的区域的概率,得到障碍物概率地图。
在一个实施例中,计算机程序被处理器执行时所实现的对图像数据进行处理得到图像车位和图像可通行区域,包括:将图像数据输入至预先训练得到的车位检测模型,得到图像车位;将图像数据输入至预先训练得到的可通行区域检测模型中,得到图像可通行区域。
在一个实施例中,计算机程序被处理器执行时所实现的对图像数据进行处理得到图像车位和图像可通行区域,包括:将图像数据输入至预先训练得到的车位和可通行区域检测模型,得到图像车位和图像可通行区域。
在一个实施例中,计算机程序被处理器执行时所实现的对图像数据进行处理得到图像车位和图像可通行区域,包括:对图像数据进行处理得到表征图像车位和图像可通行区域的概率图;处理器执行计算机程序时所实现的根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,包括:根据第一时间戳和第二时间戳,将超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图。
在一个实施例中,计算机程序被处理器执行时所实现的对图像数据进行处理得到图像车位和图像可通行区域,包括:对图像数据进行处理得到表征图像车位的概率图和表征图像可通行区域的概率图;处理器执行计算机程序时所实现的根据第一时间戳和第二时间戳,将超声车位概率地图、图像车位和图像可通行区域进行融合得到车位地图,包括:根据第一时间戳和第二时间戳,将超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合得到第二车位概率图。
在一个实施例中,计算机程序被处理器执行时所实现的根据车位地图以确定车位位置之后,还包括:从车辆的里程计读取车辆在通行时间段的行驶距离,通行时间段是根据超声距离数据所携带的第一时间戳以及与第一时间戳相邻的前一时间戳计算得到的;获取前一时间戳对应的历史位置,并根据历史位置以及行驶距离得到车辆位置;在车位地图上显示车辆位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车位检测方法,所述方法包括:
采集车辆周围的超声距离数据,所述超声距离数据携带有第一时间戳;
通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,并根据所述障碍物概率地图得到超声车位概率地图;
采集所述车辆周围的图像数据,所述图像数据携带有第二时间戳;
对所述图像数据进行处理得到图像车位和图像可通行区域;
根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图;
根据所述车位地图以确定车位位置。
2.根据权利要求1所述的方法,其特征在于,所述通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,包括:
判断是否已生成了超声车位概率地图;
当未生成超声车位概率地图的,则从所述超声距离数据中读取超声探测范围以及障碍物距离,对所述超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第一概率,所述超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第二概率,并根据所述第一概率和所述第二概率生成障碍物概率地图。
3.根据权利要求2所述的方法,其特征在于,所述通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,还包括:
当已经生成了超声车位概率地图的,则获取上一张超声车位概率地图以及车辆在通行时间段的行驶距离,所述通行时间段是根据所述超声距离数据所携带的第一时间戳以及与所述第一时间戳相邻的前一时间戳计算得到的;
从所述超声距离数据中读取超声探测范围以及障碍物距离,并对所述超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第三概率,所述超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第四概率;
根据所述车辆的行驶距离,在所述上一张超声车位概率地图中定位所述超声探测范围以及障碍物距离;
根据所述第三概率和第四概率更新所述超声探测范围内、所述障碍物距离外的区域的概率,得到障碍物概率地图。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述对所述图像数据进行处理得到图像车位和图像可通行区域,包括:
对所述图像数据进行处理得到表征图像车位和图像可通行区域的概率图;
所述根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图,包括:
根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图以及表征图像车位和图像可通行区域的概率图进行融合得到第一车位概率图。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述对所述图像数据进行处理得到图像车位和图像可通行区域,包括:
对所述图像数据进行处理得到表征图像车位的概率图和表征图像可通行区域的概率图;
所述根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图,包括:
根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、表征图像车位的概率图和表征图像可通行区域的概率图进行融合得到第二车位概率图。
6.根据权利要求1所述的方法,其特征在于,所述根据所述车位地图以确定车位位置之后,还包括:
从车辆的里程计读取车辆在通行时间段的行驶距离,所述通行时间段是根据所述超声距离数据所携带的第一时间戳以及与所述第一时间戳相邻的前一时间戳计算得到的;
获取所述前一时间戳对应的历史位置,并根据所述历史位置以及所述行驶距离得到车辆位置;
在所述车位地图上显示所述车辆位置。
7.一种车位检测装置,其特征在于,所述装置包括:
超声距离数据采集模块,用于采集车辆周围的超声距离数据,所述超声距离数据携带有第一时间戳;
超声车位概率地图生成模块,用于通过贝叶斯原理根据所述超声距离数据生成障碍物概率地图,并根据所述障碍物概率地图得到超声车位概率地图;
图像数据采集模块,用于采集所述车辆周围的图像数据,所述图像数据携带有第二时间戳;
图像数据处理模块,用于对所述图像数据进行处理得到图像车位和图像可通行区域;
融合模块,用于根据所述第一时间戳和所述第二时间戳,将所述超声车位概率地图、所述图像车位和图像可通行区域进行融合得到车位地图;
输出模块,用于根据所述车位地图以确定车位位置。
8.根据权利要求7所述的装置,其特征在于,所述超声车位概率地图生成模块包括:
判断单元,用于判断是否已生成了超声车位概率地图;
第一生成单元,用于当未生成超声车位概率地图的,则从所述超声距离数据中读取超声探测范围以及障碍物距离,对所述超声探测范围内的与车辆的距离小于所述障碍物距离的区域标记为第一概率,所述超声探测范围内的与车辆的距离大于等于所述障碍物距离的区域标记为第二概率,并根据所述第一概率和所述第二概率生成障碍物概率地图。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至/6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400638.XA CN111753649B (zh) | 2020-05-13 | 2020-05-13 | 车位检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400638.XA CN111753649B (zh) | 2020-05-13 | 2020-05-13 | 车位检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753649A true CN111753649A (zh) | 2020-10-09 |
CN111753649B CN111753649B (zh) | 2024-05-14 |
Family
ID=72673720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400638.XA Active CN111753649B (zh) | 2020-05-13 | 2020-05-13 | 车位检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753649B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863230A (zh) * | 2020-12-30 | 2021-05-28 | 上海欧菲智能车联科技有限公司 | 空车位检测方法及装置、车辆和计算机设备 |
CN113284342A (zh) * | 2021-05-17 | 2021-08-20 | 上海欧菲智能车联科技有限公司 | 空车位检测方法及装置、车辆和计算机设备 |
CN113552574A (zh) * | 2021-07-13 | 2021-10-26 | 上海欧菲智能车联科技有限公司 | 一种区域探测方法、装置、存储介质及电子设备 |
CN113640810A (zh) * | 2021-08-11 | 2021-11-12 | 北京百度网讯科技有限公司 | 空间车位检测方法、设备、存储介质和程序产品 |
CN114419922A (zh) * | 2022-01-17 | 2022-04-29 | 北京经纬恒润科技股份有限公司 | 车位识别方法及装置 |
CN114822216A (zh) * | 2022-06-23 | 2022-07-29 | 小米汽车科技有限公司 | 生成车位地图的方法、装置、车辆、存储介质及芯片 |
GB2617838A (en) * | 2022-04-19 | 2023-10-25 | Aptiv Tech Ltd | Method of determining parking area layout |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053755A1 (en) * | 2010-08-30 | 2012-03-01 | Denso Corporation | Traveling environment recognition device and method |
US20180172451A1 (en) * | 2015-08-14 | 2018-06-21 | Beijing Evolver Robotics Co., Ltd | Method and system for mobile robot to self-establish map indoors |
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及*** |
-
2020
- 2020-05-13 CN CN202010400638.XA patent/CN111753649B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053755A1 (en) * | 2010-08-30 | 2012-03-01 | Denso Corporation | Traveling environment recognition device and method |
US20180172451A1 (en) * | 2015-08-14 | 2018-06-21 | Beijing Evolver Robotics Co., Ltd | Method and system for mobile robot to self-establish map indoors |
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及*** |
Non-Patent Citations (1)
Title |
---|
江浩斌;叶浩;马世典;陈龙;: "基于多传感器数据融合的自动泊车***高精度辨识车位的方法", 重庆理工大学学报(自然科学), no. 04 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863230A (zh) * | 2020-12-30 | 2021-05-28 | 上海欧菲智能车联科技有限公司 | 空车位检测方法及装置、车辆和计算机设备 |
CN113284342A (zh) * | 2021-05-17 | 2021-08-20 | 上海欧菲智能车联科技有限公司 | 空车位检测方法及装置、车辆和计算机设备 |
CN113552574A (zh) * | 2021-07-13 | 2021-10-26 | 上海欧菲智能车联科技有限公司 | 一种区域探测方法、装置、存储介质及电子设备 |
CN113640810A (zh) * | 2021-08-11 | 2021-11-12 | 北京百度网讯科技有限公司 | 空间车位检测方法、设备、存储介质和程序产品 |
EP4024084A3 (en) * | 2021-08-11 | 2022-09-14 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Spatial parking place detection method and device, storage medium, and program product |
CN114419922A (zh) * | 2022-01-17 | 2022-04-29 | 北京经纬恒润科技股份有限公司 | 车位识别方法及装置 |
GB2617838A (en) * | 2022-04-19 | 2023-10-25 | Aptiv Tech Ltd | Method of determining parking area layout |
GB2617838B (en) * | 2022-04-19 | 2024-04-10 | Aptiv Tech Ltd | Method of determining parking area layout |
CN114822216A (zh) * | 2022-06-23 | 2022-07-29 | 小米汽车科技有限公司 | 生成车位地图的方法、装置、车辆、存储介质及芯片 |
CN114822216B (zh) * | 2022-06-23 | 2022-09-16 | 小米汽车科技有限公司 | 生成车位地图的方法、装置、车辆、存储介质及芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN111753649B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753649A (zh) | 车位检测方法、装置、计算机设备和存储介质 | |
US20220198806A1 (en) | Target detection method based on fusion of prior positioning of millimeter-wave radar and visual feature | |
WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN110458112B (zh) | 车辆检测方法、装置、计算机设备和可读存储介质 | |
WO2020206708A1 (zh) | 障碍物的识别方法、装置、计算机设备和存储介质 | |
CN112633152B (zh) | 停车位检测方法、装置、计算机设备和存储介质 | |
CN111160086B (zh) | 车道线识别方法、装置、设备和存储介质 | |
WO2021223116A1 (zh) | 感知地图生成方法、装置、计算机设备和存储介质 | |
CN104167109A (zh) | 车辆位置的检测方法和检测装置 | |
CN112432650B (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
CN111161202A (zh) | 车辆行为信息获取方法、装置、计算机设备和存储介质 | |
CN111994081A (zh) | 车位检测方法、设备、存储介质及装置 | |
CN113030990B (zh) | 车辆的融合测距方法、装置、测距设备及介质 | |
CN111753639A (zh) | 感知地图生成方法、装置、计算机设备和存储介质 | |
CN111009011A (zh) | 车辆方向角的预测方法、装置、***以及存储介质 | |
CN114359334A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN112092809A (zh) | 一种辅助倒车方法、装置、***及车辆 | |
CN115366885A (zh) | 用于辅助机动车的驾驶操作的方法、辅助装置及机动车 | |
CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
WO2021226852A1 (zh) | 车位检测方法、装置、计算机设备和存储介质 | |
CN110781887A (zh) | 车牌螺丝检测方法、装置和计算机设备 | |
CN111242118B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN116664987A (zh) | 目标对象检测模型的训练方法及对象检测方法 | |
CN112146666A (zh) | 车辆行驶路线标记方法、装置、计算机设备和存储介质 | |
CN111376832A (zh) | 图像显示方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |