[发明专利]基于深度学习的自动泊车停车位检测方法

权利要求书

1.一种基于深度学习的自动泊车停车位检测方法，其特征在于所述的方法具体如下：

步骤a.获得车辆所处的位置的俯视图；

步骤b.采用深度神经网络进行训练并获得至少一个模型，并通过模型获得俯视图的图像中每个点相对于该模型的概率，再通过每个点相对于该模型的概率获得每个点相对于该模型的损失函数；

步骤c.对于车辆所处的位置的俯视图，基于模板匹配进行停车位检测，并获得模板的代价函数；

步骤d.将基于深度学习获得的损失函数与基于模板匹配获得的模板的代价函数求和以获得总的代价函数，以对于任一模型的概率最大的点所处的位置作为初值对总的代价函数进行搜索以获得停车位位置。

2.如权利要求1所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤b包括如下步骤：通过深度学习训练得到至少一个模型后，通过每个模型分别预测图像上每个点相对于该模型的概率p_n，p_n是指某点对于第n个模型的概率，并进而得到每个点相对于该模型的损失函数L_n=1-p_n，n为正整数，某一图像中每个点相对于各个模型的损失函数L_n的和为该图像的损失函数L_dl。

3.如权利要求2所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤c包括如下步骤：

步骤c1.加载停车位模板，并识别出停车位模板中停车位边缘线上的点p1、p2……pn；

步骤c2. 对于车辆所处的位置的俯视图，通过Canny边缘检测算法检测出俯视图的边缘，并计算俯视图中所对应的代价图，代价图是指每个点的代价函数的值，定义俯视图中每一个点的代价函数为该点到边缘的距离，点到边缘的距离是指该点到最近的属于边缘的点的距离；

步骤c3. 对车辆所处的位置附近的汽车位姿进行搜索，搜索过程中首先通过位姿变换把模板中的点变换到当前的俯视图中，然后把模板中的所有点在步骤c2中生成的俯视图中对应的代价函数进行求和，以获得某个位姿对应的模板在当前的俯视图距离变换后的代价函数，模板的代价函数定义为模板中的各个点在代价图中的值的和：

L_template = cost(p1)+cost(p2)+cost(p3)+…+cost(pn)。

4.如权利要求3所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤c2包括：通过距离变换计算俯视图对应的代价图，定义俯视图中的各个像素的代价为该像素到最近的边缘的距离，并初始化设置各个边缘点上的代价函数为0，对图像首先进行一次从左上角到右下角的扫描，再进行一次从右下角到左上角的扫描，以获得各个点的距离变换后的代价函数，在扫描过程中，各个像素点的代价函数定义为该像素点的周边的像素点中的代价函数中的最小值再加上1，也即每个像素点的代价函数恰好比周边的像素点的代价函数的最小值大1。

5.如权利要求3所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤c3包括：假设模板中的点的横纵坐标为x₀和y₀，位姿变换对应的旋转角度为theta，位姿变换对应的平移量的横纵坐标为x和y，那么经过位姿变换后的横坐标为：x₀*cos(theta)+y₀*sin(theta)+x，纵坐标为：x₀*sin(theta)+y₀*cos(theta)+y。

6.如权利要求3所述的基于深度学习的自动泊车停车位检测方法，其特征在于每一幅图像的总的代价函数L_total = L_template + L_dl。

7.如权利要求1所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤a包括：通过环境中事先设置的标志物对车辆所处的位置进行预估，并获得车辆所处位置的俯视图。

8.如权利要求1或7所述的基于深度学习的自动泊车停车位检测方法，其特征在于通过车辆周围设置的鱼眼相机获得车辆所处位置的俯视图。