CN115222767B - 一种基于空间车位的跟踪方法及*** - Google Patents

一种基于空间车位的跟踪方法及*** Download PDF

Info

Publication number
CN115222767B
CN115222767B CN202210379055.2A CN202210379055A CN115222767B CN 115222767 B CN115222767 B CN 115222767B CN 202210379055 A CN202210379055 A CN 202210379055A CN 115222767 B CN115222767 B CN 115222767B
Authority
CN
China
Prior art keywords
parking space
space
parking
candidate
point cloud
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.)
Active
Application number
CN202210379055.2A
Other languages
English (en)
Other versions
CN115222767A (zh
Inventor
钟力阳
何俏君
李梓龙
付颖
张志德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202210379055.2A priority Critical patent/CN115222767B/zh
Publication of CN115222767A publication Critical patent/CN115222767A/zh
Application granted granted Critical
Publication of CN115222767B publication Critical patent/CN115222767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于空间车位的跟踪方法，包括：获取当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；获取各个空间车位周边的点云信息；基于各空间车位的点云信息，获得每一空间车位对应的车位特征；根据每一空间车位对应的车位特征，在车辆栅格地图中生成至少一候选车位；将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果。本发明还公开了相应的***。实施本发明，可以基于空间车位进行车位跟踪，具有计算成本低、计算快速准确的特点，并提高了用户的驾驶体验。

Description

一种基于空间车位的跟踪方法及***
技术领域
本发明涉及智能驾驶感知领域，主要涉及一种基于空间车位的跟踪方法及***。
背景技术
对于自动泊车等停车场场景内的自动驾驶功能来说，车辆对停车场周围车位的感知能力十分重要，其直接决定泊车的成功率和准确率。
对于车位的分类，从整体上可以分为线车位和空间车位两种，其中，线车位指含车位线的车位，空间车位指不含车位线或者车位线已重度模糊或损坏的车位。对于国内许多停车场而言，由于前期建设规划不足、后期维护成本较高等问题，很多的车位都属于空间车位。由于传统的基于摄像头采集图像的车位跟踪算法非常依赖于车位线特征，该类算法并不能有效应用于空间车位的跟踪。与摄像头相反，使用毫米波雷达进行车位跟踪能够有效地避免车位线已重度模糊或损坏对跟踪算法的影响，从而保证车位跟踪结果的质量，但常用的跟踪算法是基于车位视觉特征进行的，导致相应的特征提取及模型更新需要较高的算力支持，且泛化能力较差。
发明内容
本发明所要解决的技术问题在于，提供一种基于空间车位的跟踪方法及***，可以基于空间车位进行车位跟踪，具有计算成本低、计算快速准确的特点，并能提高驾驶体验。
为解决上述技术问题，作为本发明的一方面，提供一种基于空间车位跟踪方法，其包括如下步骤：
步骤S10，获取车辆行驶路径中当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；
步骤S11，根据所获取的空间车位信息，获取各个空间车位周边的点云信息；
步骤S12，基于各空间车位的点云信息，获得每一空间车位对应的车位特征，所述车位特征至少包括有第一类特征和第二类特征；
步骤S13，根据每一空间车位对应的车位特征，在车辆栅格地图中生成至少一候选车位；
步骤S14，将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果。
其中，所述步骤S10进一步包括：
获取车辆行驶路径中当前时刻检测到的各个空间车位信息；
将各个空间车位信息投影至本车辆的栅格地图，在车辆栅格地图坐标系下的形成对应的矩形框，每一矩形框包含四个顶点的坐标；
根据每一矩形框的坐标计算出所述空间车位到本车辆的距离，并根据距离的长度，由近到远地对各个空间车位进行排序。
其中，所述步骤S11进一步包括：
利用毫米波雷达获取车辆栅格地图范围内的所有点云信息；
根据所获取的各空间车位对应的矩形框的坐标，将栅格地图内对应的车位区域的点云数据挖掘出来并保存。
其中，所述步骤S12进一步包括：
根据各空间车位对应的点云数据，计算各空间车位对应的第一类特征，所述第一类特征包括所述空间车位的长宽比和斜度比；
将各空间车位对应的点云数据输入至一预先训练好的特征提取网络，获得每一空间车位所对应的多个第二类特征；所述特征提取网络包含3个卷积层、3个池化层及1个全连接层，其输出层为softmax层，输出的每一第二类特征为处于0到1之间的数值。
其中，在将各空间车位对应的点云数据输入至一预先训练好的特征提取网络之前，进一步包括：
对每一空间车位的点云数据按照预定的规则进行降采样；
对上一步得到的降采样后的数据进行裁剪和排序，最终得到一个尺寸为128*128的二维点云数组，作为所述特征提取网络的输入。
其中，所述步骤S13进一步包括：
将所有车位空间对应的各第一类特征以及第二类特征输入一粒子滤波器，由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，形成新的粒子群的位置和状态，并进行KNN聚类处理，获得候选车位的位置和状态，其中，位置包括候选车位在车辆栅格地图下的四个顶点坐标，状态表示该候选车位的置信度大小；
获取所述每一候选车位对应的第一类特征及第二类特征。
其中，所述步骤S14进一步包括：
将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行两两匹配处理，计算相应车位特征之间的方差之和，如果所述和大于一预定匹配阈值，则判定为匹配成功；
对于同一个被检车位，如果存在两个或以上的配对成功的候选车位，则选择匹配计算结果最高的一个作为所述被检车位的跟踪结果；若只存在一个配对成功的候选车位，则直接选择其作为所述被检车位的跟踪结果；若没有成功配对的候选车位，则认为该被检车位在当前时刻已不存在从而无法进行泊车操作；
获得当前时刻的车位跟踪结果并在本车辆中进行显示。
本发明的另一方面，还提供一种基于空间车位跟踪***，其包括：
空间车位信息获取单元，用于获取车辆行驶路径中当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；
点云信息获取单元，用于根据所获取的空间车位信息，获取各个空间车位周边的点云信息；
车位特征获取单元，用于基于各空间车位的点云信息，获得每一空间车位对应的车位特征，所述车位特征至少包括有第一类特征和第二类特征；
候选车位获取单元，用于根据每一空间车位对应的车位特征，在车辆栅格地图中生成至少一候选车位；
车位跟踪结果获取单元，用于将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果。
其中，所述空间车位信息获取单元，进一步包括：
第一获取单元，用于获取车辆行驶路径中当前时刻检测到的各个空间车位信息；
投影处理单元，用于将各个空间车位信息投影至本车辆的栅格地图，在车辆栅格地图坐标系下的形成对应的矩形框，每一矩形框包含四个顶点的坐标；
排序单元，用于根据每一矩形框的坐标计算出所述空间车位到本车辆的距离，并根据距离的长度，由近到远地对各个空间车位进行排序。
其中，所述点云信息获取单元进一步包括：
第二获取单元，用于利用毫米波雷达获取车辆栅格地图范围内的所有点云信息；
数据挖掘单元，用于根据所获取的各空间车位对应的矩形框的坐标，将栅格地图内对应的车位区域的点云数据挖掘出来并保存。
其中，所述车位特征获取单元进一步包括：
第一类特征获取单元，用于根据各空间车位对应的点云数据，计算各空间车位对应的第一类特征，所述第一类特征包括所述空间车位的长宽比和斜度比；
预处理单元，用于对每一空间车位的点云数据按照预定的规则进行降采样，并对所述降采样后的数据进行裁剪和排序，最终得到一个尺寸为128*128的二维点云数组；
第二类特征获取单元，用于将各空间车位对应的点云数据经所述预处理单元处理后的结果输入至一预先训练好的特征提取网络，获得每一空间车位所对应的多个第二类特征；所述特征提取网络包含3个卷积层、3个池化层及1个全连接层，其输出层为softmax层，输出的每一第二类特征为处于0到1之间的数值。
其中，所述候选车位获取单元进一步包括：
滤波处理单元，用于将所有车位空间对应的各第一类特征以及第二类特征输入一粒子滤波器，由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，形成新的粒子群的位置和状态；
聚类处理单元，用于对所述滤波处理单元的结果进行KNN聚类处理，获得候选车位的位置和状态，其中，位置包括候选车位在车辆栅格地图下的四个顶点坐标，状态表示该候选车位的置信度大小；
特征调取单元，用于调取所述车位特征获取单元获得的所述每一候选车位对应的第一类特征及第二类特征。
其中，所述车位跟踪结果获取单元进一步包括：
匹配比较单元，用于将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行两两匹配处理，计算相应车位特征之间的方差之和，如果所述和大于一预定匹配阈值，则判定为匹配成功；
跟踪结果获取单元，用于在匹配比较单元的结果中，对于同一个被检车位，如果存在两个或以上的配对成功的候选车位，则选择匹配计算结果最高的一个作为所述被检车位的跟踪结果；若只存在一个配对成功的候选车位，则直接选择其作为所述被检车位的跟踪结果；若没有成功配对的候选车位，则认为该被检车位在当前时刻已不存在从而无法进行泊车操作；
显示单元，用于获得当前时刻的车位跟踪结果并在本车辆中进行显示。
实施本发明实施例，具有如下的有益效果：
本发明公开了一种基于空间车位的跟踪方法及***，通过获取驾驶员行驶路径中当前时刻的各个车位位置信息并投影至车辆的2D栅格地图中，然后基于毫米波雷达收集各个车位目标框的点云信息，并进行特征提取；并基于预设规则及粒子滤波算法，在车辆栅格地图中生成一定数量的候选车位样本，并与上一时刻检测到的各个车位进行匹配，最终获得对应车位的跟踪结果。本发明涉及遥控泊车、辅助泊车***等高级自动驾驶功能，可以准确地对行车周边的空间车位进行跟踪，拥有较高的准确率，能够适应无车位线或者车位线损坏较为严重等复杂场景下的车位跟踪需求，适用于国内大多数的泊车场景；
在本发明实施例中，利用毫米波雷达提供车位的点云信息，通过基于手工设计的第一类特征提取和基于优化神经网络模型的第二类特征提取，可以降低整个跟踪算法所需的计算资源,有效减少跟踪算法的运算成本，并且通过基于蒙特卡洛方法和KNN聚类算法的粒子滤波器来生成车位候选样本，在减少车位匹配计算量的同时提高了跟踪结果的准确性，从而更好地满足车位跟踪实时性的要求，并提升驾驶员的驾驶感受。本发明通过对寻找空间车位过程中车位的跟踪，可以有效地跟踪特殊场景下的空间车位。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种基于空间车位的跟踪方法的一个实施例的主流程示意图；
图2为本发明涉及的车辆栅格坐标系示意图；
图3为本发明提供的一种基于空间车位的跟踪***的一个实施例的结构示意图；
图4为图3中空间车位信息获取单元的结构示意图；
图5为图3中点云信息获取单元的结构示意图；
图6为图3中车位特征获取单元的结构示意图；
图7为图3中候选车位获取单元的结构示意图；
图8为图3中车位跟踪结果获取单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，示出了本发明提供的一种基于空间车位的跟踪方法的一个实施例的主流程示意图。一并结合图2所示，在本实施例中，所述方法包括如下步骤：
步骤S10，获取车辆行驶路径中当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；
在一个具体的例子中，所述步骤S10进一步包括：
获取车辆行驶路径中当前时刻检测到的各个空间车位信息；该空间车位信息的来源可以是通过摄像头或其他传感器获取并通过相关目标检测算法得到的车位检测结果，或者是基于之前时刻车位特征计算得到的跟踪结果，也可以是在人车交互***中由驾驶员选定的某些车位；
将各个空间车位信息投影至本车辆的栅格地图，在车辆栅格地图坐标系下的形成对应的矩形框，每一矩形框包含四个顶点的坐标；
根据每一矩形框的坐标计算出所述空间车位到本车辆的距离，并根据距离的长度，由近到远地对各个空间车位进行排序。
步骤S11，根据所获取的空间车位信息，获取各个空间车位周边的点云信息；
在一个具体的例子中，所述步骤S11进一步包括：
利用毫米波雷达获取车辆栅格地图范围内的所有点云信息；
根据所获取的各空间车位对应的矩形框的坐标，将栅格地图内对应的车位区域的点云数据挖掘出来并保存。
步骤S12，基于各空间车位的点云信息，获得每一空间车位对应的车位特征，所述车位特征至少包括有第一类特征和第二类特征；可以理解的是，在本发明的实施例中，所述第一类特征可以为显性特征；第二类特征可以为隐性特征。
在一个具体的例子中，所述步骤S12进一步包括：
根据各空间车位对应的点云数据，计算各空间车位对应的第一类特征，所述第一类特征(即显性特征)为人工设计的特征，在本实施例中为两个，包括所述空间车位的长宽比和斜度比；具体地，如图2所示，在车辆栅格坐标系中，坐标原点为车辆后轴中心，X轴为汽车的运动方向，Y轴为汽车的运动方向的垂直方向。长宽比通过利用空间车位的长度及宽度计算获得；而斜度比是指空间车位的倾斜程度，具体地为车位顶点P1和P2连线与车位顶点P2和P3连线之间的夹角；
将各空间车位对应的点云数据输入至一预先训练好的特征提取网络，获得每一空间车位所对应的多个第二类特征(即隐性特征)；所述特征提取网络包含3个卷积层、3个池化层及1个全连接层，其输出层为softmax层，输出的每一第二类特征为处于0到1之间的数值。可以理解的是第二类特征是通过大量训练样本学习出来的深度特征，在本实施例中输出的为5个第二类特征；
其中，在将各空间车位对应的点云数据输入至一预先训练好的特征提取网络之前，进一步包括：
对每一空间车位的点云数据按照预定的规则进行降采样；
对上一步得到的降采样后的数据进行裁剪和排序，最终得到一个尺寸为128*128的二维点云数组，作为所述特征提取网络的输入。
更具体地，在本实施例中，下表一列出一个所采用的特征提取网络的网络结构及参数：
表一特征提取网络的参数图
网络层 输入维度 卷积核尺寸 步长 输出维度
第一卷积层(CONV1) 128*128 7*7 1 122*122
第一池化层(POOL1) 122*122 2*2 2 64*64
第二卷积层(CONV2) 64*64 3*3 1 62*62
第二池化层(POOL2) 62*62 2*2 2 32*32
第三卷积层(CONV3) 32*32 1*1 1 32*32
第三池化层(POOL4) 32*32 2*2 2 16*16
全连接层(FC1) 16*16 1*1 1 256*1
输出层(Softmax) 256*1 \ \ 5*1
步骤S13，根据每一空间车位对应的车位特征，通过粒子滤波处理，在车辆栅格地图中生成至少一候选车位；
在一个具体的例子中，所述步骤S13进一步包括：
将所有车位空间对应的各第一类特征(2个)以及第二类特征(5个)输入一粒子滤波器，由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，形成新的粒子群的位置和状态，并进行KNN聚类处理，获得候选车位的位置和状态，其中，位置包括候选车位在车辆栅格地图下的四个顶点坐标，状态表示该候选车位的置信度大小；
获取所述每一候选车位对应的第一类特征及第二类特征。
可以理解的是，在本发明实施例中，粒子滤波算法是一种序贯贝叶斯推断方法，通过递归的方式推断目标的隐含状态。在生成候选车位样本的过程一般需要初始化粒子滤波器，包括粒子数量及各个粒子权重。从泊车场景的特点及毫米波雷达传感器特点考虑，这里各个时刻的粒子数量固定为100，初始化权重的方法采用xavier高斯初始化；然后进行粒子权重更新，即由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，进而生成出新的粒子群的位置和状态；最后基于粒子群生成候选车位样本，即对新生生成的粒子群进行KNN聚类，从而进一步更新得到多个粒子群的位置和状态，即候选车位的位置和状态，其中位置包括候选车位在车辆栅格地图下的4个顶点坐标(如图2所示)，状态表示该候选车位的置信度大小。
步骤S14，将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果。
在一个具体的例子中，所述步骤S14进一步包括：
将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行两两匹配处理，计算相应车位特征之间的方差之和，如果所述和大于一预定匹配阈值，则判定为匹配成功，所述匹配阈值为预先标定获得；
对于同一个被检车位，如果存在两个或以上的配对成功的候选车位，则选择匹配计算结果最高的一个作为所述被检车位的跟踪结果；若只存在一个配对成功的候选车位，则直接选择其作为所述被检车位的跟踪结果；若没有成功配对的候选车位，则认为该被检车位在当前时刻已不存在从而无法进行泊车操作；
获得当前时刻的车位跟踪结果并在本车辆中进行显示。
如图3所示，示出了本发明提供的一种基于空间车位的跟踪***的一个实施例的结构示意图；一并结合图4至图8所示，在本实施例中，所述基于空间车位跟踪***1，至少包括：
空间车位信息获取单元10，用于获取车辆行驶路径中当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；
点云信息获取单元11，用于根据所获取的空间车位信息，获取各个空间车位周边的点云信息；
车位特征获取单元12，用于基于各空间车位的点云信息，获得每一空间车位对应的车位特征，所述车位特征至少包括有第一类特征和第二类特征；
候选车位获取单元3，用于根据每一空间车位对应的车位特征，在车辆栅格地图中生成至少一候选车位；
车位跟踪结果获取单元14，用于将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果。
如图4所示，在一个具体的例子中，所述空间车位信息获取单元10，进一步包括：
第一获取单元100，用于获取车辆行驶路径中当前时刻检测到的各个空间车位信息；
投影处理单元101，用于将各个空间车位信息投影至本车辆的栅格地图，在车辆栅格地图坐标系下的形成对应的矩形框，每一矩形框包含四个顶点的坐标；
排序单元102，用于根据每一矩形框的坐标计算出所述空间车位到本车辆的距离，并根据距离的长度，由近到远地对各个空间车位进行排序。
如图5所示，在一个具体的例子中，所述点云信息获取单元11进一步包括：
第二获取单元110，用于利用毫米波雷达获取车辆栅格地图范围内的所有点云信息；
数据挖掘单元111，用于根据所获取的各空间车位对应的矩形框的坐标，将栅格地图内对应的车位区域的点云数据挖掘出来并保存。
如图6所示，在一个具体的例子中，所述车位特征获取单元12进一步包括：
第一类特征获取单元120，用于根据各空间车位对应的点云数据，计算各空间车位对应的第一类特征，所述第一类特征包括所述空间车位的长宽比和斜度比；
预处理单元121，用于对每一空间车位的点云数据按照预定的规则进行降采样，并对所述降采样后的数据进行裁剪和排序，最终得到一个尺寸为128*128的二维点云数组；
第二类特征获取单元122，用于将各空间车位对应的点云数据经所述预处理单元处理后的结果输入至一预先训练好的特征提取网络，获得每一空间车位所对应的多个第二类特征；所述特征提取网络包含3个卷积层、3个池化层及1个全连接层，其输出层为softmax层，输出的每一第二类特征为处于0到1之间的数值。
如图7所示，在一个具体的例子中，所述候选车位获取单元13进一步包括：
滤波处理单元130，用于将所有车位空间对应的各第一类特征以及第二类特征输入一粒子滤波器，由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，形成新的粒子群的位置和状态；
聚类处理单元131，用于对所述滤波处理单元的结果进行KNN聚类处理，获得候选车位的位置和状态，其中，位置包括候选车位在车辆栅格地图下的四个顶点坐标，状态表示该候选车位的置信度大小；
特征调取单元132，用于调取所述车位特征获取单元获得的所述每一候选车位对应的第一类特征及第二类特征。
如图8所示，在一个具体的例子中，所述车位跟踪结果获取单元14进一步包括：
匹配比较单元140，用于将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行两两匹配处理，计算相应车位特征之间的方差之和，如果所述和大于一预定匹配阈值，则判定为匹配成功；
跟踪结果获取单元141，用于在匹配比较单元的结果中，对于同一个被检车位，如果存在两个或以上的配对成功的候选车位，则选择匹配计算结果最高的一个作为所述被检车位的跟踪结果；若只存在一个配对成功的候选车位，则直接选择其作为所述被检车位的跟踪结果；若没有成功配对的候选车位，则认为该被检车位在当前时刻已不存在从而无法进行泊车操作；
显示单元142，用于获得当前时刻的车位跟踪结果并在本车辆中进行显示。
更多的细节，可以参考前述对图1至图2的描述，在此不进行追溯。
实施本发明实施例，具有如下的有益效果：
本发明公开了一种基于空间车位的跟踪方法及***，通过获取驾驶员行驶路径中当前时刻的各个车位位置信息并投影至车辆的2D栅格地图中，然后基于毫米波雷达收集各个车位目标框的点云信息，并进行特征提取；并基于预设规则及粒子滤波算法，在车辆栅格地图中生成一定数量的候选车位样本，并与上一时刻检测到的各个车位进行匹配，最终获得对应车位的跟踪结果。本发明涉及遥控泊车、辅助泊车***等高级自动驾驶功能，可以准确地对行车周边的空间车位进行跟踪，拥有较高的准确率，能够适应无车位线或者车位线损坏较为严重等复杂场景下的车位跟踪需求，适用于国内大多数的泊车场景；
在本发明实施例中，利用毫米波雷达提供车位的点云信息，通过基于手工设计的第一类特征提取和基于优化神经网络模型的第二类特征提取，可以降低整个跟踪算法所需的计算资源,有效减少跟踪算法的运算成本，并且通过基于蒙特卡洛方法和KNN聚类算法的粒子滤波器来生成车位候选样本，在减少车位匹配计算量的同时提高了跟踪结果的准确性，从而更好地满足车位跟踪实时性的要求，并提升驾驶员的驾驶感受。本发明通过对寻找空间车位过程中车位的跟踪，可以有效地跟踪特殊场景下的空间车位。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (11)

1.一种基于空间车位的跟踪方法，其特征在于，包括如下步骤：
步骤S10，获取车辆行驶路径中当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；
步骤S11，根据所获取的空间车位信息，取各个空间车位周边的点云信息；
步骤S12，基于各空间车位的点云信息，获得每一空间车位对应的车位特征，所述车位特征至少包括有第一类特征和第二类特征；
步骤S13，根据每一空间车位对应的车位特征，在车辆栅格地图中生成至少一候选车位；
步骤S14，将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果；
其中，所述步骤S12进一步包括：
根据各空间车位对应的点云数据，计算各空间车位对应的第一类特征，所述第一类特征包括所述空间车位的长宽比和斜度比；其中，长宽比通过利用空间车位的长度及宽度计算获得；而斜度比是指空间车位的倾斜程度；
将各空间车位对应的点云数据输入至一预先训练好的特征提取网络，获得每一空间车位所对应的多个第二类特征，其中，第二类特征是通过大量训练样本学习出来的深度特征；
所述步骤S13进一步包括：
将所有车位空间对应的各第一类特征以及第二类特征输入一粒子滤波器，由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，形成新的粒子群的位置和状态，并进行KNN聚类处理，获得候选车位的位置和状态，其中，位置包括候选车位在车辆栅格地图下的四个顶点坐标，状态表示该候选车位的置信度大小；
获取所述每一候选车位对应的第一类特征及第二类特征。
2.如权利要求1所述的一种基于空间车位的跟踪方法，其特征在于，所述步骤S10进一步包括：
获取车辆行驶路径中当前时刻检测到的各个空间车位信息；
将各个空间车位信息投影至本车辆的栅格地图，在车辆栅格地图坐标系下的形成对应的矩形框，每一矩形框包含四个顶点的坐标；
根据每一矩形框的坐标计算出所述空间车位到本车辆的距离，并根据距离的长度，由近到远地对各个空间车位进行排序。
3.如权利要求2所述的一种基于空间车位的跟踪方法，其特征在于，所述步骤S11进一步包括：
利用毫米波雷达获取车辆栅格地图范围内的所有点云信息；
根据所获取的各空间车位对应的矩形框的坐标，将栅格地图内对应的车位区域的点云数据挖掘出来并保存。
4.如权利要求3所述的一种基于空间车位的跟踪方法，其特征在于，所述步骤S12中，
所述特征提取网络包含3个卷积层、3个池化层及1个全连接层，其输出层为softmax层，输出的每一第二类特征为处于0到1之间的数值。
5.如权利要求4所述的一种基于空间车位的跟踪方法，其特征在于，在将各空间车位对应的点云数据输入至一预先训练好的特征提取网络之前，进一步包括：
对每一空间车位的点云数据按照预定的规则进行降采样；
对上一步得到的降采样后的数据进行裁剪和排序，最终得到一个尺寸为128*128的二维点云数组，作为所述特征提取网络的输入。
6.如权利要求5所述的一种基于空间车位的跟踪方法，其特征在于，所述步骤S14进一步包括：
将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行两两匹配处理，计算相应车位特征之间的方差之和，如果所述和大于一预定匹配阈值，则判定为匹配成功；
对于同一个被检车位，如果存在两个或以上的配对成功的候选车位，则选择匹配计算结果最高的一个作为所述被检车位的跟踪结果；若只存在一个配对成功的候选车位，则直接选择其作为所述被检车位的跟踪结果；若没有成功配对的候选车位，则认为该被检车位在当前时刻已不存在从而无法进行泊车操作；
获得当前时刻的车位跟踪结果并在本车辆中进行显示。
7.一种基于空间车位的跟踪***，其特征在于，包括：
空间车位信息获取单元，用于获取车辆行驶路径中当前时刻检测到的各个空间车位信息，并投影至本车辆的栅格地图中；
点云信息获取单元，用于根据所获取的空间车位信息，获取各个空间车位周边的点云信息；
车位特征获取单元，用于基于各空间车位的点云信息，获得每一空间车位对应的车位特征，所述车位特征至少包括有第一类特征和第二类特征；
候选车位获取单元，用于根据每一空间车位对应的车位特征，在车辆栅格地图中生成至少一候选车位；
车位跟踪结果获取单元，用于将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行特征匹配处理，根据匹配结果获得当前时刻的车位跟踪结果；
所述车位特征获取单元进一步包括：
第一类特征获取单元，用于根据各空间车位对应的点云数据，计算各空间车位对应的第一类特征，所述第一类特征包括所述空间车位的长宽比和斜度比；其中，长宽比通过利用空间车位的长度及宽度计算获得；而斜度比是指空间车位的倾斜程度；
第二类特征获取单元，用于将各空间车位对应的点云数据经预处理单元处理后的结果输入至一预先训练好的特征提取网络，获得每一空间车位所对应的多个第二类特征，其中，第二类特征是通过大量训练样本学习出来的深度特征；
所述候选车位获取单元进一步包括：
滤波处理单元，用于将所有车位空间对应的各第一类特征以及第二类特征输入一粒子滤波器，由上一时刻粒子群的状态和权重，利用蒙特卡洛方法生成高斯分布随机数，形成新的粒子群的位置和状态；
聚类处理单元，用于对所述滤波处理单元的结果进行KNN聚类处理，获得候选车位的位置和状态，其中，位置包括候选车位在车辆栅格地图下的四个顶点坐标，状态表示该候选车位的置信度大小；
特征调取单元，用于调取所述车位特征获取单元获得的所述每一候选车位对应的第一类特征及第二类特征。
8.如权利要求7所述的一种基于空间车位的跟踪***，其特征在于，所述空间车位信息获取单元，进一步包括：
第一获取单元，用于获取车辆行驶路径中当前时刻检测到的各个空间车位信息；
投影处理单元，用于将各个空间车位信息投影至本车辆的栅格地图，在车辆栅格地图坐标系下的形成对应的矩形框，每一矩形框包含四个顶点的坐标；
排序单元，用于根据每一矩形框的坐标计算出所述空间车位到本车辆的距离，并根据距离的长度，由近到远地对各个空间车位进行排序。
9.如权利要求8所述的一种基于空间车位的跟踪***，其特征在于，所述点云信息获取单元进一步包括：
第二获取单元，用于利用毫米波雷达获取车辆栅格地图范围内的所有点云信息；
数据挖掘单元，用于根据所获取的各空间车位对应的矩形框的坐标，将栅格地图内对应的车位区域的点云数据挖掘出来并保存。
10.如权利要求9所述的一种基于空间车位的跟踪***，其特征在于，所述车位特征获取单元进一步包括：
预处理单元，用于对每一空间车位的点云数据按照预定的规则进行降采样，并对所述降采样后的数据进行裁剪和排序，最终得到一个尺寸为128*128的二维点云数组；
且在第二类特征获取单元中，所述特征提取网络包含3个卷积层、3个池化层及1个全连接层，其输出层为softmax层，输出的每一第二类特征为处于0到1之间的数值。
11.如权利要求10所述的一种基于空间车位的跟踪***，其特征在于，所述车位跟踪结果获取单元进一步包括：
匹配比较单元，用于将每一候选车位所对应车位特征，与上一时刻获取的车位跟踪结果中的各个被检车位的车位特征进行两两匹配处理，计算相应车位特征之间的方差之和，如果所述和大于一预定匹配阈值，则判定为匹配成功；
跟踪结果获取单元，用于在匹配比较单元的结果中，对于同一个被检车位，如果存在两个或以上的配对成功的候选车位，则选择匹配计算结果最高的一个作为所述被检车位的跟踪结果；若只存在一个配对成功的候选车位，则直接选择其作为所述被检车位的跟踪结果；若没有成功配对的候选车位，则认为该被检车位在当前时刻已不存在从而无法进行泊车操作；
显示单元，用于获得当前时刻的车位跟踪结果并在本车辆中进行显示。
CN202210379055.2A 2022-04-12 2022-04-12 一种基于空间车位的跟踪方法及*** Active CN115222767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210379055.2A CN115222767B (zh) 2022-04-12 2022-04-12 一种基于空间车位的跟踪方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210379055.2A CN115222767B (zh) 2022-04-12 2022-04-12 一种基于空间车位的跟踪方法及***

Publications (2)

Publication Number Publication Date
CN115222767A CN115222767A (zh) 2022-10-21
CN115222767B true CN115222767B (zh) 2024-01-23

Family

ID=83605916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210379055.2A Active CN115222767B (zh) 2022-04-12 2022-04-12 一种基于空间车位的跟踪方法及***

Country Status (1)

Country Link
CN (1) CN115222767B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152258B (zh) * 2023-11-01 2024-01-30 中国电建集团山东电力管道工程有限公司 一种管道生产智慧车间的产品定位方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0004096D0 (sv) * 2000-11-08 2000-11-08 Nira Automotive Ab Positioning system
CN109031346A (zh) * 2018-07-09 2018-12-18 江苏大学 一种基于3d激光雷达的周边泊车位辅助检测方法
CN109829386A (zh) * 2019-01-04 2019-05-31 清华大学 基于多源信息融合的智能车辆可通行区域检测方法
CN110888125A (zh) * 2019-12-05 2020-03-17 奥特酷智能科技(南京)有限公司 一种基于毫米波雷达的自动驾驶车辆定位方法
CN111272165A (zh) * 2020-02-27 2020-06-12 清华大学 一种基于特征点标定的智能车定位方法
CN111814773A (zh) * 2020-09-07 2020-10-23 广州汽车集团股份有限公司 一种划线车位识别方法及***
WO2021004077A1 (zh) * 2019-07-09 2021-01-14 华为技术有限公司 一种检测车辆的盲区的方法及装置
CN112612862A (zh) * 2020-12-24 2021-04-06 哈尔滨工业大学芜湖机器人产业技术研究院 一种基于点云配准的栅格地图定位方法
CN113076824A (zh) * 2021-03-19 2021-07-06 上海欧菲智能车联科技有限公司 车位获取方法、装置、车载终端及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10270642B2 (en) * 2012-12-05 2019-04-23 Origin Wireless, Inc. Method, apparatus, and system for object tracking and navigation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0004096D0 (sv) * 2000-11-08 2000-11-08 Nira Automotive Ab Positioning system
CN109031346A (zh) * 2018-07-09 2018-12-18 江苏大学 一种基于3d激光雷达的周边泊车位辅助检测方法
CN109829386A (zh) * 2019-01-04 2019-05-31 清华大学 基于多源信息融合的智能车辆可通行区域检测方法
WO2021004077A1 (zh) * 2019-07-09 2021-01-14 华为技术有限公司 一种检测车辆的盲区的方法及装置
CN110888125A (zh) * 2019-12-05 2020-03-17 奥特酷智能科技(南京)有限公司 一种基于毫米波雷达的自动驾驶车辆定位方法
CN111272165A (zh) * 2020-02-27 2020-06-12 清华大学 一种基于特征点标定的智能车定位方法
CN111814773A (zh) * 2020-09-07 2020-10-23 广州汽车集团股份有限公司 一种划线车位识别方法及***
CN112612862A (zh) * 2020-12-24 2021-04-06 哈尔滨工业大学芜湖机器人产业技术研究院 一种基于点云配准的栅格地图定位方法
CN113076824A (zh) * 2021-03-19 2021-07-06 上海欧菲智能车联科技有限公司 车位获取方法、装置、车载终端及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Time-of-Flight Camera Based Indoor Parking Localization Leveraging Manhattan World Regulation";Hengwang Zhao et.al.;《2020 IEEE Intelligent Vehicles Symposium (IV)》;全文 *
"基于激光Slam的仓储搬运AGV定位技术研究";郝岩;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;第2018年卷(第12期);第J157-492页 *
"自主泊车场景的无人车辆定位与导航建图算法研究";唐娜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2022年卷(第01期);第C035-398页 *
基于激光SLAM和深度学习的语义地图构建;何松;孙静;郭乐江;陈梁;;计算机技术与发展(第09期);第94-100页 *

Also Published As

Publication number Publication date
CN115222767A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN111666921B (zh) 车辆控制方法、装置、计算机设备和计算机可读存储介质
CN110222626B (zh) 一种基于深度学习算法的无人驾驶场景点云目标标注方法
CN110879994A (zh) 基于形状注意力机制的三维目测检测方法、***、装置
CN108629231B (zh) 障碍物检测方法、装置、设备及存储介质
CN111429514A (zh) 一种融合多帧时序点云的激光雷达3d实时目标检测方法
CN109977997B (zh) 基于卷积神经网络快速鲁棒的图像目标检测与分割方法
CN111738995B (zh) 一种基于rgbd图像的目标检测方法、装置及计算机设备
CN111311663B (zh) 一种实时大场景三维语义建模的方法
CN113705655B (zh) 三维点云全自动分类方法及深度神经网络模型
Wen et al. Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering
CN115222767B (zh) 一种基于空间车位的跟踪方法及***
Roberts Attentive visual tracking and trajectory estimation for dynamic scene segmentation
CN112154448A (zh) 目标检测方法、设备及可移动平台
Chen et al. Improved fast r-cnn with fusion of optical and 3d data for robust palm tree detection in high resolution uav images
Fehr et al. Reshaping our model of the world over time
WO2024027587A1 (zh) 一种激光点云动态障碍物剔除方法、装置及电子设备
CN117292337A (zh) 遥感图像目标检测方法
CN110008838B (zh) 基于改进拟合算法的车道线检测方法和***
CN115620263B (zh) 基于摄像机和激光雷达图像融合的智能车障碍物检测方法
CN116921932A (zh) 焊接轨迹识别方法、装置、设备及存储介质
CN114913519B (zh) 一种3d目标检测方法、装置、电子设备及存储介质
CN116052099A (zh) 一种面向非结构化道路的小目标检测方法
CN116091887A (zh) 基于弱监督的目标检测模型训练方法及装置
CN115937825A (zh) 在线俯仰角估计的bev下鲁棒车道线生成方法及装置
Yang et al. A novel vision-based framework for real-time lane detection and tracking

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