车位检测方法及装置与流程

1.本技术涉及智能驾驶技术领域，尤指一种车位检测方法及装置。


背景技术：

2.目前，主流的车位检测算法主要分为传统图像处理算法和基于深度学习算法的车位检测算法。基于传统图像处理的车位检测算法主要基于车位边线和角点的几何规则来检测车位，但是传统图像算法容易受光照和车位线形状变化以及障碍物干扰，导致车位检测失败。基于深度学习的车位线检测算法主要基于车位线分割和车位角点检测，或者基于车位线方向和角点回归，通过后处理得到车位角点、方向、可泊性等信息，完成车位检测。
3.通过直接回归得到车位角点和通过热力图检测车位角点会导致车位角点检测和车位检测出现较多漏检和误检的情况，并且利用直接回归方法得到的车位线方向精度不高，利用车位方向热力图后处理得到车位线方向的方法逻辑复杂、耗时多。


技术实现要素：

4.本技术提供了一种车位检测方法及装置，能够减少车位角点和车位误检和漏检的情况。
5.本技术提供了一种车位检测方法，包括：获取目标车辆在当前时刻的环境图像；其中，所述目标车辆为在停车场行驶的自动驾驶车辆；
6.根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；
7.根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片；
8.根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信息；每条车位线方向信息包括包围车位分割线的最小外接矩形；
9.根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的n个车位检测结果。
10.在一种示例性的实施例中，所述车位角点区域信息包括车位角点坐标或者包围车位角点的矩形框；
11.所述车位入口区域信息包括包围车位第一数量的车位入口角点矩形框；
12.所述车位整体区域信息包括包围车位第二数量的车位整体矩形框、车位类型、可泊性。
13.在一种示例性的实施例中，在根据所述环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息之前，包括建立所述预设车位区域信息检测模型；
14.所述建立所述预设车位区域信息检测模型，包括：
15.获取所述停车场的环境图像，在所述环境图像上标注车位角点区域信息、车位入口区域信息、车位整体区域信息，得到车位区域信息训练数据集；
16.构建初始车位区域信息检测模型；
17.根据所述车位区域信息训练数据集训练初始车位区域信息检测模型，得到所述预设车位区域信息检测模型。
18.在一种示例性的实施例中，所述初始车位区域信息检测模型包括目标检测模型centernet。
19.在一种示例性的实施例中，在根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片之前，包括建立所述预设车位线分割模型；
20.所述建立所述预设车位线分割模型，包括：
21.获取所述停车场的环境图像，在所述环境图像上标注车位线分割标签，得到车位线训练数据集；
22.构建初始车位线分割模型；
23.根据所述车位线训练数据集训练所述初始车位线分割模型，得到所述预设车位线分割模型。
24.在一种示例性的实施例中，所述初始车位区域信息检测模型包括神经网络语义分割模型unet。
25.在一种示例性的实施例中，在根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信息之前，包括建立所述预设车位方向检测模型；
26.所述建立所述预设车位方向检测模型，包括：
27.获取所述车位线分割图片，在所述车位线分割图片上标注每条车位分割线的最小外接矩形，得到车位方向训练数据集；
28.构建初始车位方向检测模型；
29.根据车位方向训练数据集训练所述初始车位方向检测模型，得到所述预设车位方向检测模型。
30.在一种示例性的实施例中，所述初始车位方向检测模型包括神经网络的旋转目标检测模型roi transformer。
31.在一种示例性的实施例中，根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果，包括：
32.根据每个车位区域信息、每个车位线方向信息得到每条车位线的方向。
33.在一种示例性的实施例中，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：
34.判断车位区域信息是否具有车位入口角点和车位尾部角点；若具有，则将沿着每个包围车位分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向作为该车位分割线对应的车位线的方向。
35.在一种示例性的实施例中，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：
36.判断车位区域信息是否具有车位入口角点和车位尾部角点；若不具有车位尾部角点，则根据车位的入口角点坐标、车位线方向和预设的车位长度计算得到车位的尾部角点坐标；将沿着每个包围车位分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向作为该车位分割线对应的车位线的方向。
37.在一种示例性的实施例中，每个车位的车位分割线包括第一车位分割线和第二车位分割线；其中，第一车位分割线的长度大于第二车位分割线的长度；
38.根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：
39.判断第一车位分割线和第二车位分割线是否位于车位整体矩形框；若是，则将与第一车位分割线匹配的车位整体矩形框的方向作为该车位分割线对应的车位线的方向。
40.在一种示例性的实施例中，所述车位检测结果包括车位角点坐标。
41.在一种示例性的实施例中，所述车位检测结果还包括车位类型和/或车位可泊性。
42.在一种示例性的实施例中，还包括：
43.对所述当前时刻的n个车位检测结果进行跟踪处理，获得目标车辆在所述当前时刻与所述前时刻相邻的t个时刻的m个车位结果，其中，所述t为大于1或等于1的整数，n、m为大于1或等于1的整数。
44.本技术提供了一种车位检测装置，包括存储器和处理器，
45.所述存储器，用于保存用于车位检测的程序；
46.所述处理器，用于读取执行所述用于车位检测的程序，执行上述的车位检测方法。
47.本技术包括以下优点：
48.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
49.附图用来提供对本技术技术方案的理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
50.图1为本技术实施例的车位检测方法的流程图；
51.图2为本技术实施例的车位示意图；
52.图3为本技术实施例的建立车位区域信息检测模型的流程图；
53.图4a为本技术实施例的环境图像；
54.图4b为图4a对应的车位线语义分割结果；
55.图5为本技术实施例的建立车位方向检测模型的流程图；
56.图6为本技术实施例的得到车位检测结果的流程图；
57.图7为本技术实施例的车位检测装置的示意图。
具体实施方式
58.图1为本技术实施例的车位检测方法的流程图，如图1所示，本实施例的车位检测方法，包括s11-s15步骤：
59.s11、获取目标车辆在当前时刻的环境图像；
60.s12、根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；
61.s13、根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片；
62.s14、根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信
息；
63.s15、根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的n个车位检测结果。
64.其中，所述目标车辆为在停车场行驶的自动驾驶车辆。
65.其中，每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息。
66.其中，每条车位线方向信息包括包围车位分割线的最小外接矩形。
67.在一种示例性的实施例中，环境图像可以为全景鸟瞰图(bird’s eye view即bev)。
68.全景鸟瞰图可以通过图像拼接算法拼接不少于4路鱼眼摄像头采集的鱼眼图并去畸变得到。也可以通过图像拼接算法拼接其他类型摄像头采集的图像得到。
69.在一种示例性的实施例中，所述车位角点区域信息可以包括车位角点坐标或者包围车位角点的矩形框；
70.所述车位入口区域信息可以包括包围车位第一数量入口角点的车位入口矩形框；
71.所述车位整体区域信息可以包括包围车位第二数量的车位整体矩形框、车位类型、车位可泊性。
72.车位角点坐标可以包括车位入口角点坐标和车位尾部角点坐标。
73.在预设车位区域信息检测模型输出的角点区域结果中，如果尾部角点可见，则会输出尾部角点。如果尾部角点不可见，预设车位区域信息检测模型不输出尾部角点。因为尾部角点可能超出图像或者遮挡。
74.在一种示例性的实施例中，第一数量可以为2，第二数量为1。
75.在一种示例性的实施例中，车位类型可以为垂直车位、平行车位、倾斜车位。
76.在一种示例性的实施例中，车位可泊性可以包括车位可泊、车位不可泊。
77.以图2为例，图2中，车位角点区域信息包括包围车位角点的矩形框(例如图2中的角点矩形框)，可以将车位角点矩形框的中心点坐标作为车位角点坐标。例如，车位角点矩形框的左上角坐标为(x1，y1)和右下角坐标为(x2，y2)，则角点矩形框的中心点坐标为((x1+x2)/2，y1+y2)/2)。
78.车位入口区域信息包括包围车位2个入口角点的车位入口矩形框。车位整体区域信息为包围车位4个角点的车位整体矩形框。对于角点被遮挡的场景，可以采用数据增强手段让模型学习该场景的角点坐标，如果入口角点没有检测出来，不支持车位输出。如果尾部角点没有检测出来，可以用车位固定长度和方向推理出来尾部角点。
79.在一种示例性的实施例中，在根据所述环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息之前，包括建立所述预设车位区域信息检测模型；
80.所述建立所述预设车位区域信息检测模型，包括：
81.获取所述停车场的环境图像，在所述环境图像上标注车位角点区域信息、车位入口区域信息、车位整体区域信息，得到车位区域信息训练数据集；
82.构建初始车位区域信息检测模型；
83.根据所述车位区域信息训练数据集训练初始车位区域信息检测模型，得到所述预设车位区域信息检测模型。
84.在一种示例性的实施例中，所述初始车位区域信息检测模型包括目标检测模型centernet。
85.以图3为例，建立所述预设车位区域信息检测模型的步骤如下：
86.s31：采集大量鱼眼图，从大量鱼眼图中得到bev图。在bev图上标注车位角点矩形框、车位入口矩形框、车位整体矩形框，得到车位区域信息训练数据集；
87.s32：构建目标检测模型centernet；
88.s33：根据车位区域信息训练数据集训练目标检测模型centernet，得到预设车位区域信息检测模型。
89.在一种示例性的实施例中，在根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片之前，包括建立所述预设车位线分割模型；
90.所述建立所述预设车位线分割模型，包括：
91.获取所述停车场的环境图像，在所述环境图像上标注车位线分割标签，得到车位线训练数据集；
92.构建初始车位线分割模型；
93.根据所述车位线训练数据集训练所述初始车位线分割模型，得到所述预设车位线分割模型。
94.车位线分割图片为二值图，如图4b(为图4a对应的车位线分割结果)所示，白色区域为车位线，黑色区域为背景。
95.在一种示例性的实施例中，所述初始车位区域信息检测模型包括神经网络语义分割模型unet。
96.建立所述预设车位线分割图片的步骤如下：
97.获取环境图像，在所述环境图像上标注车位线分割标签，得到车位线分割训练数据集；
98.构建一个车位线分割模型；
99.根据车位线分割训练数据集训练车位线分割模型，得到预设车位线分割模型。
100.所述车位线分割模型包括但不限于基于神经网络的语义分割模型。
101.以图5为例，具体实现步骤为：
102.s41：采集大量包含车位的bev图片，在所述bev图像上标注车位线分割标签，得到车位线分割训练数据集；
103.s42：构建一个神经网络语义分割模型unet；
104.s43：根据车位线分割训练数据集训练神经网络语义分割模型unet，得到预设车位线分割模型。
105.在一种示例性的实施例中，在根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信息之前，包括建立所述预设车位方向检测模型；
106.所述建立所述预设车位方向检测模型，包括：
107.获取所述车位线分割图片，在所述车位线分割图片上标注每条车位分割线的最小外接矩形，得到车位方向训练数据集；
108.构建初始车位方向检测模型；
109.根据车位方向训练数据集训练所述初始车位方向检测模型，得到所述预设车位方
向检测模型。
110.其中，车位线方向包括但不限于包围车位分割线的最小外接矩形沿着分割线的车位入口角点到车位尾部角点的对称中心线方向。
111.在一种示例性的实施例中，所述初始车位方向检测模型包括神经网络的旋转目标检测模型roi transformer。
112.以图6为例，说明具体的车位方向检测模型的步骤如下：
113.s51：获取车位线分割图片，在所述车位线分割图片上标注每条车位分割线的最小外接矩形，得到车位方向训练数据集；
114.s52：构建构建一个车位方向检测模型，即基于神经网络的旋转目标检测模型roi transformer；
115.s53：利用车位方向训练数据集训练roi transformer模型，得到最终的车位方向检测模型。
116.在一种示例性的实施例中，根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果，包括：
117.根据每个车位区域信息、每个车位线方向信息得到每条车位线的方向。
118.在一种示例性的实施例中，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：
119.判断车位区域信息是否具有车位入口角点和车位尾部角点；若具有，则将沿着每个包围车位分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向作为该车位分割线对应的车位线的方向。
120.例如，基于n个车位的每条车位线的方向信息和车位区域信息，得到每条车位线的方向。具体为：基于n个车位的每条车位线的方向信息，即包围车位分割线的最小外接矩形；车位角点区域信息，即车位入口角点矩形中心坐标；沿着分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向，得到每条车位线的方向。
121.在一种示例性的实施例中，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：
122.判断车位区域信息是否具有车位入口角点和车位尾部角点；若不具有车位尾部角点，则根据车位的入口角点坐标、车位线方向和预设的车位长度计算得到车位的尾部角点坐标；将沿着每个包围车位分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向作为该车位分割线对应的车位线的方向。
123.根据车位角点框可以得到车位角点坐标。
124.所述的匹配方法，包括但不限于，当车位分割线在车位整体矩形框时，将匹配的车位分割线作为该车位整体矩形框对应的车位的车位线。
125.例如，对于每个车位的车位区域信息，利用匹配方法匹配每个车位对应的车位线方向。具体为：对于每个车位的车位区域信息，当车位分割线在车位整体矩形框时，将长的车位分割线作为车位对应的车位线方向。需要说明的是，一个车位有两条车位分割线，一长一短。
126.相比于直接回归角点坐标的方法，角点区域检测的方法在模糊场景的鲁棒性更强，因为能学习的区域信息更多。
127.在一种示例性的实施例中，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：
128.判断车位分割线是否位于车位整体矩形框；若是，则将与该车位分割线匹配的车位整体矩形框的方向作为该车位分割线对应的车位线的方向。
129.例如，当车位尾部角点被遮挡或超出图像时，利用每个车位的车位区域信息、车位线方向和先验的车位长度，计算出车位尾部角点的坐标。具体实现为：当车位尾部角点被遮挡或超出图像时，利用每个车位的车位区域信息、车位线方向和先验的车位长度，计算出车位尾部角点的坐标；
130.假设预设的车位长度为l，车位线方向为θ，入口角点坐标为(x1，y1),车位尾部角点的坐标为(x2，y2),则
131.x2＝x1+l*cos(θ)
132.y2＝y1+l*sin(θ)
133.在一种示例性的实施例中，所述车位检测结果包括车位角点坐标。
134.在一种示例性的实施例中，所述车位检测结果还包括车位类型和/或车位可泊性。
135.可以根据车位区域信息检测模型可以检测车位类型和可泊性。根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位区域信息，每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；这里的车位区域信息检测模型检测的车位入口区域信息包括车位类型，车位类型例如包括垂直车位类型、水平车位类型和倾斜车位类型。车位整体区域信息包括可泊性，可泊性例如包括可泊和不可泊。
136.在一种示例性的实施例中，还包括对所述当前时刻的n个车位检测结果进行跟踪处理，获得目标车辆在所述当前时刻与所述前时刻相邻的t个时刻的m个车位检测结果，其中，所述t为大于1或等于1的整数，n、m为大于1或等于1的整数。
137.在一种示例性的实施例中，对所述当前时刻的n个车位检测结果进行跟踪处理，获得目标车辆在所述当前时刻与所述前时刻相邻的t个时刻的m个车位检测结果，包括：
138.获得目标车辆从所述当前时刻至所述前时刻相邻的t个时刻的行驶数据；
139.其中，所述的行驶数据，包括但不限于目标车辆的位置、速度、加速度、航向角、航向角速度
140.根据所述行驶数据对所述当前时刻的n个车位检测结果进行更新，得到更新后的n个车位检测结果；
141.获得目标车辆在所述当前时刻与所述前时刻相邻的t个时刻的m个车位检测结果，所述m为大于等于1的整数；
142.若目标车位检测结果与所述更新后的n个车位检测结果均不匹配，将所述目标车位检测结果对应的车位状态设置为新增车位，所述目标车位检测结果为所述m个车位检测结果中的任意一个；
143.若目标车位检测结果与所述更新后的n个车位检测结果中的其中一个匹配，则将所述目标车位检测结果对应的车位状态设置为原有车位，所述目标车位检测结果为所述m个车位检测结果中的任意一个；
144.本实施例中，具体实现步骤为：
145.获得目标车辆从所述当前时刻至所述前时刻相邻的下一个时刻的目标车辆的位
置、速度、加速度、航向角、航向角速度；
146.根据目标车辆的位置、速度、加速度、航向角、航向角速度，利用卡尔慢滤波算法，对所述当前时刻的n个车位检测结果进行更新，得到更新后的n个车位检测结果；其中，获取车辆各信息的目的是为了保证车位坐标从图像坐标系映射到世界坐标系更准确。
147.获得目标车辆在所述当前时刻与所述前时刻相邻的下一个时刻的m个车位检测结果，所述m为大于等于1的整数；
148.若目标车位检测结果与所述更新后的n个车位检测结果均不匹配，将所述目标车位检测结果对应的车位状态设置为新增车位，所述目标车位检测结果为所述m个车位检测结果中的任意一个；
149.若目标车位检测结果与所述更新后的n个车位检测结果中的其中一个匹配，则将所述目标车位检测结果对应的车位状态设置为原有车位，所述目标车位检测结果为所述m个车位检测结果中的任意一个。
150.对车位进行跟踪处理是保证车位坐标实时更新并不发生剧烈抖动。
151.图7为本技术实施例的车位检测装置的示意图，如图7所示，本实施例的车位检测装置，包括存储器和处理器。
152.所述存储器，用于保存用于车位检测的程序；
153.所述处理器，用于读取执行所述用于车位检测的程序，执行上述的车位检测方法。
154.本技术描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本技术所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
155.在本技术中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。
156.此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。
157.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他
磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

技术特征：
1.一种车位检测方法，其特征在于，获取目标车辆在当前时刻的环境图像；其中，所述目标车辆为在停车场行驶的自动驾驶车辆；根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片；根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信息；每条车位线方向信息包括包围车位分割线的最小外接矩形；根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的n个车位检测结果。2.如权利要求1所述的车位检测方法，其特征在于，所述车位角点区域信息包括车位角点坐标或者包围车位角点的矩形框；所述车位入口区域信息包括包围车位第一数量的车位入口角点矩形框；所述车位整体区域信息包括包围车位第二数量的车位整体矩形框、车位类型、可泊性。3.如权利要求2所述的车位检测方法，其特征在于，在根据所述环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息之前，包括建立所述预设车位区域信息检测模型；所述建立所述预设车位区域信息检测模型，包括：获取所述停车场的环境图像，在所述环境图像上标注车位角点区域信息、车位入口区域信息、车位整体区域信息，得到车位区域信息训练数据集；构建初始车位区域信息检测模型；根据所述车位区域信息训练数据集训练初始车位区域信息检测模型，得到所述预设车位区域信息检测模型。4.如权利要求3所述的车位检测方法，其特征在于，所述初始车位区域信息检测模型包括目标检测模型centernet。5.如权利要求1所述的车位检测方法，其特征在于，在根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片之前，包括建立所述预设车位线分割模型；所述建立所述预设车位线分割模型，包括：获取所述停车场的环境图像，在所述环境图像上标注车位线分割标签，得到车位线训练数据集；构建初始车位线分割模型；根据所述车位线训练数据集训练所述初始车位线分割模型，得到所述预设车位线分割模型。6.如权利要求5所述的车位检测方法，其特征在于，所述初始车位区域信息检测模型包括神经网络语义分割模型unet。7.如权利要求1所述的车位检测方法，其特征在于，在根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信息之前，包括建立所述预设车位方向检测模型；所述建立所述预设车位方向检测模型，包括：
获取所述车位线分割图片，在所述车位线分割图片上标注每条车位分割线的最小外接矩形，得到车位方向训练数据集；构建初始车位方向检测模型；根据车位方向训练数据集训练所述初始车位方向检测模型，得到所述预设车位方向检测模型。8.如权利要求7所述的车位检测方法，其特征在于，所述初始车位方向检测模型包括神经网络的旋转目标检测模型roi transformer。9.如权利要求2所述的车位检测方法，其特征在于，根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果，包括：根据每个车位区域信息、每个车位线方向信息得到每条车位线的方向。10.如权利要求9所述的车位检测方法，其特征在于，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：判断车位区域信息是否具有车位入口角点和车位尾部角点；若具有，则将沿着每个包围车位分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向作为该车位分割线对应的车位线的方向。11.如权利要求9所述的车位检测方法，其特征在于，根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：判断车位区域信息是否具有车位入口角点和车位尾部角点；若不具有车位尾部角点，则根据车位的入口角点坐标、车位线方向和预设的车位长度计算得到车位的尾部角点坐标；将沿着每个包围车位分割线的最小外接矩形，从车位入口角点到车位尾部角点的对称中心线方向作为该车位分割线对应的车位线的方向。12.如权利要求9所述的车位检测方法，其特征在于，每个车位的车位分割线包括第一车位分割线和第二车位分割线；其中，第一车位分割线的长度大于第二车位分割线的长度；根据所述每个车位区域信息、每个车位线方向信息得到每条车位线的方向；包括：判断第一车位分割线和第二车位分割线是否位于车位整体矩形框；若是，则将与第一车位分割线匹配的车位整体矩形框的方向作为该车位分割线对应的车位线的方向。13.如权利要求1所述的车位检测方法，其特征在于，所述车位检测结果包括车位角点坐标。14.如权利要求13所述的车位检测方法，其特征在于，所述车位检测结果还包括车位类型和/或车位可泊性。15.如权利要求1所述的车位检测方法，其特征在于，还包括：对所述当前时刻的n个车位检测结果进行跟踪处理，获得目标车辆在所述当前时刻与所述前时刻相邻的t个时刻的m个车位结果，其中，所述t为大于1或等于1的整数，n、m为大于1或等于1的整数。16.一种车位检测装置，包括存储器和处理器，其特征在于：所述存储器，用于保存用于车位检测的程序；所述处理器，用于读取执行所述用于车位检测的程序，执行如权利要求1-15任一项所
述的方法。

技术总结
本申请公开了一种车位检测方法及装置，该方法包括获取目标车辆在当前时刻的环境图像；其中，所述目标车辆为在停车场行驶的自动驾驶车辆；根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；根据所述当前时刻的环境图像、预设车位线分割模型得到车位线分割图片；根据所述车位线分割图片、预设车位方向检测模型得到多个车位线方向信息；每条车位线方向信息包括包围车位分割线的最小外接矩形；根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的N个车位检测结果。结果。结果。


技术研发人员：游忍 胡伟龙 吴冰 关称心 刘洋 刘杨 邱梦婷 赵静波 陈子一 王忆同
受保护的技术使用者：宁波吉利汽车研究开发有限公司
技术研发日：2023.05.25
技术公布日：2023/8/13