CN112016342B - 一种学习型智能泊车方法及系统 - Google Patents

Abstract

本发明涉及一种学习型智能泊车方法和系统，所述方法包括检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征；检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域；对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。本发明可以很好的覆盖目标车位的应用需求，有很强的目标性，可以简化用户交互，提供更加智能的用户体验。同时可以提供多个目标车位的记忆功能，满足多目标车位场景的用户应用需求。

Description

一种学习型智能泊车方法及系统

技术领域

本发明涉及泊车技术领域，特别是涉及一种学习型智能泊车方法及系统。

背景技术

随着汽车消费的快速增长，汽车安全问题被普遍的关注，人们越来越渴望高科技带来的安全与便捷。因此，汽车ADAS系统被广泛应用，越多越多的电子系统在汽车上应用。电子技术的应用已经改变了汽车的面貌，成为影响汽车发展的核心技术。随着经济的发展，汽车的保有量越来越高，停车难问题已经成为当今社会的一个共性问题，亟待解决。智能泊车系统就应运而生了，目前市场上的智能泊车系统以纯超声波的为主，更高级的是图像和超声波的融合智能泊车系统。目前这种融合性的智能泊车系统会把所有能识别出来的车位都提供给用户去选择，不管用户是否想要，增加了用户选择难度。

发明内容

本发明为克服上述现有技术所述的不足，提供一种学习型智能泊车方法及系统。

为解决上述技术问题，本发明的技术方案如下：

一种学习型智能泊车方法，包括如下步骤：

检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征；

检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域，对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；

将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。

进一步的，作为优选技术方案，当前车位的车位标识特征与目标车位的模板特征进行比较匹配具体包括：

将当前车位的车位标识特征值转化为第一直方图形状，同时将目标车位的模板特征值转化为第二直方图形状；

采用通过皮尔森相关性系数方法对第一直方图形状和第二直方图形状进行相似性计算；

将计算结果与预设阈值进行比较，当计算结果大于等于预设阈值时，则判断当前车位的车位标识特征与目标车位的模板特征匹配成功，完成泊车操作。

进一步的，作为优选技术方案，目标车位的模板特征的获取具体包括：

检测目标车位的车位框，确定车位类型；

根据车位类型确定目标车位的感兴趣区域，对目标车位的感兴趣区域进行第一次图像处理，以得到目标车位的车位标识信息；

对车位标识区域进行第二次图像处理，以得到车位标识的图像特征，将车位标识的图像特征作为目标车位的模板特征。

进一步的，作为优选技术方案，还包括：

记录存储目标车位的车位类型和位置；

记录存储目标车位的车位标识信息，并将车位标识区域作为图像模板；

记录存储车位标识的图像特征值以及其与目标车位的车位类型和位置之间的关系。

进一步的，作为优选技术方案，第一次图像处理具体包括：

对目标车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第一检测图像；

计算第一检测图像在垂直和水平方向的投影，并根据垂直和水平方向的投影确定投影的交叉区域位置；

将投影的交叉区域位置记录为目标车位的车位标识信息。

进一步的，作为优选技术方案，第二次图像处理具体包括：

对目标车位的车位标识区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第二检测图像；

计算第二检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第二检测图像进行拆分以得到多个第一检测单元；

对拆分后的多个第一检测单元分别进行第三次图像处理，以得到多个第一检测单元的图像特征，即得到车位标识的图像特征。

进一步的，作为优选技术方案，第三次图像处理具体包括：

对拆分后的多个第一检测单元分别进行滤波、增强；同时，分别计算多个第一检测单元的梯度方向和幅值，以得到每个第一检测单元的位置和特征值，即每个第一检测单元的图像特征。

进一步的，作为优选技术方案，当前车位的车位标识特征信息的获取具体包括：

对当前车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第三检测图像；

计算第三检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第三检测图像进行拆分以得到多个第二检测单元；

对拆分后的多个第二检测单元分别进行第四次图像处理，以得到多个第二检测单元的图像特征，即得到当前车位的车位标识特征。

进一步的，作为优选技术方案，第四次图像处理具体包括：

对拆分后的多个第二检测单元分别进行滤波、增强；同时，分别计算多个第二检测单元的梯度方向和幅值，以得到每个第二检测单元的位置和特征值，即每个第二检测单元的图像特征。

一种学习型智能泊车系统，采用学习型智能泊车方法实现智能泊车，所述系统包括学习型模块、随机型模块以及泊车模块，所述学习型模块和随机型模块分别与泊车模块连接，所述学习型模式块包括学习目标车位模块和检测目标车位模块；

所述学习目标车位模块用于学习并记忆多个目标车位；

所述检测目标车位模块用于检测泊车位并与目标车位进行特征匹配以找到目标车位；

所述随机型模块用于检测可用泊车位，以使用户选择目标车位；

所述泊车模块用于完成泊车操作。

与现有技术相比，本发明技术方案的有益效果是：

本发明可以很好的覆盖目标车位的应用需求，有很强的目标性，可以简化用户交互，提供更加智能的用户体验。同时可以提供多个目标车位的记忆功能，满足多目标车位场景的用户应用需求，无论是谁都可以让本车停到正确的目标车位。

附图说明

图1为本发明方法步骤流程图。

图2为本发明方法中当前车位的车位标识特征与目标车位的模板特征比较匹配的步骤流程图。

图3为本发明方法中获取目标车位的模板特征的步骤流程图。

图4为本发明方法中获取当前车位的车位标识特征步骤流程图。

图5为本发明方法中车位标识位置示意图。

图6为本发明方法中车位标识位置示意图。

图7为本发明方法中车位标识位置示意图。

图8为本发明系统框图。

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。

实施例1

一种学习型智能泊车方法，如图1所示，包括如下步骤：

S10. 检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征。

本步骤如图2所示，具体包括：

S101. 检测目标车位的车位框，确定车位类型；记录存储目标车位的车位类型和位置。其中，车位类型包括垂直车位、水平车位和斜车位。

S102. 根据车位类型确定目标车位的感兴趣区域，对目标车位的感兴趣区域进行第一次图像处理，以得到目标车位的车位标识信息。

在本步骤中，确定目标车位的感兴趣区域是为了缩小检测范围，而垂直车位和水平车位的车位标识位置相对来说比较固定。

对目标车位的感兴趣区域进行第一次图像处理具体包括：

对目标车位的感兴趣区域进行亮度归一化处理，以减少不同光照对同一个车位标识的干扰，比如在地库，开灯和不开灯的场景下，车位标识的亮度就不一样；然后进行二值化处理以简化图像，从而得到只有黑白两色的第一检测图像。

计算第一检测图像在垂直和水平方向的投影，并根据垂直和水平方向的投影确定投影的交叉区域位置，以在目标车位的感兴趣区域内找到准确的车位标识位置，如图5-7所示，车位标识位于车位线外、车位标识位于车位线上和车位标识位于车位线内。

在此步骤中，由于垂直方向的投影会集中在上部，水平方向的投影会居中，这样两部分投影交叉的区域就是真正的车位标识区域。

将投影的交叉区域位置记录为目标车位的车位标识信息，记录存储目标车位的车位标识信息，并将车位标识区域作为图像模板。

S103. 对车位标识区域进行第二次图像处理，以得到车位标识的图像特征，将车位标识的图像特征作为目标车位的模板特征。

在本步骤中，车位标识区域进行第二次图像处理具体包括：

对目标车位的车位标识区域依次进行亮度归一化处理，和二值化处理以得到只有黑白两色的第二检测图像。

计算第二检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第二检测图像进行拆分以得到多个第一检测单元。

例如：车位标识为A023，此时，将车位标识拆分为A、0、2、3四个第一检测单元。当车位标识为多个字母和数字组成时，拆分后的第一检测单元分别包含一个字母或数字。

对拆分后的多个第一检测单元分别进行第三次图像处理，以得到多个第一检测单元的图像特征，即得到车位标识的图像特征。

第三次图像处理具体包括：

对拆分后的多个第一检测单元分别进行滤波、增强；同时，分别计算多个第一检测单元的梯度方向和幅值，以得到每个第一检测单元的位置和特征值，即每个第一检测单元的图像特征。将多个第一检测单元的图像特征记为车位标识的图像特征，记录存储车位标识的图像特征值以及其与目标车位的车位类型和位置之间的关系。

S20. 检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域，对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；

本步骤如图3所示，具体包括：

检测当前车位，确定当前车位的车位类型，并在已存储记忆的目标车位类型中搜索相同的目标车位，若没有找到，则用户选择目标车位，若找到，读取对应目标车位的车位标识区域相对应的图像模板，将该图像模板所对应的车位标识区域作为当前车位的感兴趣区域。

对当前车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第三检测图像。

计算第三检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第三检测图像进行拆分以得到多个第二检测单元。

对拆分后的多个第二检测单元分别进行第四次图像处理，以得到多个第二检测单元的图像特征，即得到当前车位的车位标识特征。

第四次图像处理具体包括：

对拆分后的多个第二检测单元分别进行滤波、增强；同时，分别计算多个第二检测单元的梯度方向和幅值，以得到每个第二检测单元的位置和特征值，即每个第二检测单元的图像特征。

S30. 将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。

本步骤如图4所示，具体包括：

S301. 将当前车位的车位标识特征值转化为第一直方图形状，同时将目标车位的模板特征值转化为第二直方图形状。

本步骤中，是将当前车位的车位标识特征值中的多个第二检测单元的图像特征转化为多个第一直方图形状，同时将目标车位的模板特征值中的多个第一检测单元的图像特征转化为多个第二直方图形状。

S302. 采用通过皮尔森相关性系数方法对第一直方图形状和第二直方图形状进行相似性计算。其计算结果为0-1中间的一个值。

即，将多个第一直方图形状分别与对应的第二直方图形状进行相似性计算，以得到多个计算结果。

S303. 将计算结果与预设阈值进行比较，当计算结果大于等于预设阈值时，则判断当前车位的车位标识特征与目标车位的模板特征匹配成功，完成泊车操作。

本步骤中，需要每个计算结果均大于等于预设阈值，才认为匹配成功，否则匹配不成功，需要用户选择目标车位。

其中，预设阈值设置范围为0.6-0.9，优选的，预设阈值设置范围为0.7-0.8，在本实施例中，预设阈值设置为0.75。

实施例2

一种学习型智能泊车系统，采用实施例1所述的学习型智能泊车方法实现智能泊车，所述系统包括学习型模块、随机型模块以及泊车模块，学习型模块和随机型模块分别与泊车模块连接，学习型模式块包括学习目标车位模块和检测目标车位模块；

学习目标车位模块用于学习并记忆多个目标车位。

学习目标车位模块具体包括学习任何形式的车位标志，数字、字母、数字字母组合或者其他的车位标记；同时还可以学习并记忆多个目标车位，比如家庭车位，公司车位，以及其他固定车位，不限定固定车位的车位类型和标识类型，可以是任意的车位类型和图案。

检测目标车位模块用于检测泊车位并与目标车位进行特征匹配以找到目标车位。

检测目标车位模块可以精确的匹配目标车位，并直接提示用户可以泊入，不需要用户再去做二次选择确认，简化了操作流程，使其更加智能。

随机型模块用于检测可用泊车位，以使用户选择目标车位。

随机型模块在检测目标车位模块没有匹配到目标车位时，检测周围可用的车位，以使用户选择目标车位。

泊车模块用于完成泊车操作。即在用户确定目标车位后，启动泊车模块完成泊车操作。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种学习型智能泊车方法，其特征在于，包括如下步骤：

检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征；其中，目标车位的模板特征的获取具体包括：检测目标车位的车位框，确定车位类型；根据车位类型确定目标车位的感兴趣区域，对目标车位的感兴趣区域进行第一次图像处理，以得到目标车位的车位标识信息；对车位标识区域进行第二次图像处理，以得到车位标识的图像特征，将车位标识的图像特征作为目标车位的模板特征；

检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域，对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；

将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。

2.根据权利要求1所述的学习型智能泊车方法，其特征在于，当前车位的车位标识特征与目标车位的模板特征进行比较匹配具体包括：

将当前车位的车位标识特征值转化为第一直方图形状，同时将目标车位的模板特征值转化为第二直方图形状；

采用通过皮尔森相关性系数方法对第一直方图形状和第二直方图形状进行相似性计算；

将计算结果与预设阈值进行比较，当计算结果大于等于预设阈值时，则判断当前车位的车位标识特征与目标车位的模板特征匹配成功，完成泊车操作。

3.根据权利要求1所述的学习型智能泊车方法，其特征在于，还包括：

记录存储目标车位的车位类型和位置；

记录存储目标车位的车位标识信息，并将车位标识区域作为图像模板；

记录存储车位标识的图像特征值以及其与目标车位的车位类型和位置之间的关系。

4.根据权利要求1所述的学习型智能泊车方法，其特征在于，第一次图像处理具体包括：

对目标车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第一检测图像；

计算第一检测图像在垂直和水平方向的投影，并根据垂直和水平方向的投影确定投影的交叉区域位置；

将投影的交叉区域位置记录为目标车位的车位标识信息。

5.根据权利要求1所述的学习型智能泊车方法，其特征在于，第二次图像处理具体包括：

对目标车位的车位标识区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第二检测图像；

计算第二检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第二检测图像进行拆分以得到多个第一检测单元；

对拆分后的多个第一检测单元分别进行第三次图像处理，以得到多个第一检测单元的图像特征，即得到车位标识的图像特征。

6.根据权利要求5所述的学习型智能泊车方法，其特征在于，第三次图像处理具体包括：

对拆分后的多个第一检测单元分别进行滤波、增强；同时，分别计算多个第一检测单元的梯度方向和幅值，以得到每个第一检测单元的位置和特征值，即每个第一检测单元的图像特征。

7.根据权利要求1所述的学习型智能泊车方法，其特征在于，当前车位的车位标识特征信息的获取具体包括：

对当前车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第三检测图像；

计算第三检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第三检测图像进行拆分以得到多个第二检测单元；

对拆分后的多个第二检测单元分别进行第四次图像处理，以得到多个第二检测单元的图像特征，即得到当前车位的车位标识特征。

8.根据权利要求7所述的学习型智能泊车方法，其特征在于，第四次图像处理具体包括：

对拆分后的多个第二检测单元分别进行滤波、增强；同时，分别计算多个第二检测单元的梯度方向和幅值，以得到每个第二检测单元的位置和特征值，即每个第二检测单元的图像特征。

9.一种学习型智能泊车系统，其特征在于，采用权利要求1-8任一项所述的学习型智能泊车方法实现智能泊车，所述系统包括学习型模块、随机型模块以及泊车模块，所述学习型模块和随机型模块分别与泊车模块连接，所述学习型模式块包括学习目标车位模块和检测目标车位模块；

所述学习目标车位模块用于学习并记忆多个目标车位；

所述检测目标车位模块用于检测泊车位并与目标车位进行特征匹配以找到目标车位；

所述随机型模块用于检测可用泊车位，以使用户选择目标车位；

所述泊车模块用于完成泊车操作。