[发明专利]一种基于图神经网络的自动泊车停车位检测方法

说明书

本发明属于自动驾驶领域技术领域，具体提供一种基于图神经网络的自动泊车停车位检测方法。在车辆前后左右四个方向安装图像采集设备；利用图像采集设备采集车辆前后左右四个方向的图像并转换为以车辆位置为中心的俯视图；将俯视图输入基于图神经网络的停车位检测模块，检测图像中的停车位的四个角点位置，并识别停车位类型；将检测到的车位信息发送给规划控制模块，计算泊车路线并控制车辆自动驶入检测到的目标车位，实现自动泊车。本发明所述的基于图神经网络的自动泊车停车位检测方法，仅依赖环视摄像头捕获的图像数据即可获得停车位精确位置，相比传统自动泊车采用的超声波雷达，不依赖车辆周围停驻车辆停放位置来进行判断，检测精度高。

技术领域

本发明属于自动驾驶技术领域，具体涉及一种基于图神经网络的自动泊车停车位检测方法。

背景技术

基于计算机视觉的自动泊车是无人驾驶的重要应用。自动泊车技术相比人工操作泊车，泊车路径更加精确，泊车操作更加简洁，能减少由于人工操作失误带来的刮蹭、碰撞等，泊车过程更加安全高效。

基于超声波雷达探测的停车位检测是目前成熟且应用广泛的技术。基于超声波雷达的探测依赖目标车位周围其它的车辆，当目标车位周围没有可参考的停驻车辆时，无法有效识别目标车位。即使有参考的停驻车辆，自动泊车识别的位置由于依赖周围停驻车辆的位置，很可能偏离停车位的中心，导致泊车不准确甚至失败。

基于图像的停车位检测技术能准确识别停车位的角点和车位线，从而克服上述技术的不足。近年来随着深度学习的兴起，基于图像的停车位检测技术取得了很好的应用。现有基于图像的停车位检测技术中，大多采用多阶段处理方法。首先基于卷积神经网络检测出停车位角点的位置，然后在后处理中结合人工规则推理停车位的位置。例如我国专利公开号CN109740584A公开了一种基于深度学习的停车位检测方法，该方法采用深度神经网络自动检测停车位角点位置，但是对于停车位的检测仍然依赖后处理中基于人为设定规则的模板匹配来提高检测的稳定性，而且多阶段处理相比端对端的单阶段方法，处理流程更加复杂，时间开销更大。

发明内容

本发明的目的在于解决基于图像的停车位检测技术采用多阶段处理且停车位检车依赖后处理中基于人工规则的推理的技术问题。

为解决上述技术问题，本发明提出一种基于图神经网络的自动泊车停车位检测方法，具体的技术方案描述如下：

本发明解决其技术问题是采取以下技术方案实现的：

S1、在车辆前后左右四个方向安装图像采集设备；

进一步的，图像采集设备为鱼眼相机。

S2、利用图像采集设备采集车辆前后左右四个方向的图像并转换为以车辆位置为中心的俯视图；

S3、将俯视图输入基于图神经网络的停车位检测模块，检测图像中的停车位的四个角点位置，并识别停车位类型；

这里基于图神经网络的停车位检测模块包括卷积神经网络和图神经网络两个部分；

第一部分卷积神经网络由图像特征编码器，角点检测器和角点特征编码器A组成；图像特征编码器由多个卷积层、池化层组成；角点检测器由多个卷积层和一个Sigmoid激活层组成，其输出为包含3个通道的格网，其中第一个通道每个格网位置输出该网格检测到停车位角点的概率，第二个通道每个格网位置输出该网格相对真实角点位置在x方向的偏移量，第三个通道每个格网位置输出该网格相对真实角点位置在y方向的偏移量；角点特征编码器A由多个卷积层组成；最后一个卷积层的输出根据角点检测器最后得到的角点位置进行双线性差值计算，得到每个角点位置的特征；

第二部分为图神经网络，由角点特征编码器B、图神经网络编码器和边判别器组成；

这两个部分形成一个端对端的神经网络，在训练过程中，训练误差的梯度反向传播可由第二部分的图神经网络直接传入第一部分的卷积神经网络，不需要分阶段处理；