[发明专利]基于深度学习的车辆停车测距方法、装置及电子设备

权利要求书

1.一种基于深度学习的车辆停车测距方法，其特征在于，包括：

预先通过opencv的相机标定算法确定摄像头镜头的所有畸变系数，并基于安装的摄像头，根据预设标识物中各标识点的图像坐标和实际物理坐标确定单应性变换矩阵；

当车辆处于靠边停车状态时，获取摄像头所采集图像，采用基于深度学习的语义分割算法检测所采集图像中路边的白线，并输出二值图像；

基于所述所有畸变系数和去畸变算法去除所述二值图像中的镜头畸变，得到去畸变图像；

将所述去畸变图像经过所述单应性变换矩阵进行反投影变换，得到分辨率均匀图像；

根据所述分辨率均匀图像，测量车辆处于靠边停车状态时车辆与路边白线之间的距离。

2.根据权利要求1所述的方法，其特征在于，所述预先通过opencv的相机标定算法确定摄像头镜头的所有畸变系数包括：

所述摄像头造成的镜头畸变包括径向畸变和切向畸变；

在安装所述摄像头前，预先通过opencv的相机标定算法确定所述径向畸变和切向畸变中的所有畸变系数；

将确定出的所有畸变系数作为预载数据进行保存。

3.根据权利要求2所述的方法，其特征在于，所述径向畸变由下述方程组描述：

x_distort＝x(1+k₁r²+k₂r⁴+k₃r⁶)

y_distort＝y(1+k₁r²+k₂r⁴+k₃r⁶)

所述切向畸变由下述方程组描述：

x_distort2＝x+[2p₁xy+p₂(r²+2x²)]

Y_distort2＝y+[p₁(r²+2y²)+2p₂xy]

其中，x_distort是径向畸变中的横向畸变，y_distort是径向畸变中的纵向畸变，x_distort2是切向畸变中的横向畸变，y_distort2是切向畸变中的纵向畸变，x是无畸变时的横坐标，y是无畸变时的纵坐标，r是无畸变时图像上各个点与图像中心之间的距离，k₁、k₂、k₃、p₁和p₂是镜头畸变中的五个畸变系数；

通过opencv的相机标定算法，确定所述五个畸变系数。

4.根据权利要求1所述的方法，其特征在于，所述根据预设标识物中各标识点的图像坐标和实际物理坐标确定单应性变换矩阵包括：

利用摄像头采集图像，所述图像包含预设标识物中各标识点；

根据各标识点在图像中的位置建立图像坐标系，确定预设标识物中各标识点的图像坐标；

根据各标识点在实际物理世界中的位置建立实际物理坐标系，确定预设标识物中各标识点的实际物理坐标；

将各标识点的图像坐标和实际物理坐标一一对应，通过opencv确定单应性变换矩阵。

5.根据权利要求1所述的方法，其特征在于，所述采用基于深度学习的语义分割算法检测所采集图像中路边的白线，并输出二值图像包括：

所述语义分割算法采用的语义分割神经网络模型为基于膨胀卷积的deeplab语义分割模型；

调整所述deeplab语义分割模型中神经网络的层数和特征通道数，以满足车辆靠边停车的运行速度要求；

利用调整后的deeplab语义分割模型检测摄像头所采集图像中路边的白线；

使用白色像素显示所述白线的位置，并将所采集图像中除白线外的其他内容过滤，输出二值图像。