[发明专利]泊车信息获取方法及装置、泊车方法及装置

权利要求书

1.一种泊车信息获取方法，其特征在于，包括：

获取待泊车车辆所处位置的鸟瞰图；

将所述鸟瞰图输入至预先构建的信息获取模型中，得到泊车信息；其中，所述信息获取模型基于多任务神经网络预先建立得到，所述多任务神经网络包括共享编码层和多个任务神经网络，所述多个任务神经网络共享所述共享编码层。

2.根据权利要求1所述的方法，其特征在于，所述信息获取模型的构建过程，包括：

获取训练图像集；所述训练图像集中包括多张训练图像，每张训练图像为携带标注信息的鸟瞰图，所述标注信息包括：鸟瞰图中每个像素点对应的道路元素类别，每个库位的库角点标注信息，以及，每个库位的库位属性；

对所述训练图像集中的每张训练图像进行数据增强处理，得到每张训练图像的第一训练图像；

将各张训练图像和各张第一训练图像组成目标图像集；

依据所述目标图像集中的各张图像，对多任务神经网络进行训练，得到信息获取模型。

3.根据权利要求2所述的方法，其特征在于，所述依据所述目标图像集中的各张图像，对多任务神经网络进行训练，得到信息获取模型，包括：

依据所述目标图像集中的各张图像，确定多个训练集；其中，每个训练集中包括所述目标图像集中至少一张图像；

从多个训练集中选取一个训练集作为目标训练集；

将所述目标训练集中的各张图像输入至多任务神经网络的共享编码层，得到所述目标训练集的第一结果数据；

将所述第一结果数据分别输入至每个任务神经网络的解码层，经每个任务神经网络的解码层中的每个网络层进行处理，得到每个任务神经网络的解码层输出的所述目标训练集的第二结果数据；其中，针对每个任务神经网络的解码层，所述解码层的第N个网络层的输入数据为，对所述解码层的第N-1个网络层的输出结果、和每个其他任务神经网络的解码层中的第N-1个网络层的计算结果进行融合处理后的结果；每个其他任务神经网络模型的解码层中的第N-1个网络层的计算结果为，对其他任务神经网络的解码层中的第N-1个网络层的输出结果进行第一计算的结果；N为大于1的正整数；

依据各个第二结果数据以及所述目标训练集中的各张图像的标注信息，计算所述多任务神经网络在当前迭代的损失函数值；

依据所述多任务神经网络在当前迭代的损失函数值，更新所述多任务神经网络的网络参数，得到新的多任务神经网络，并在未满足预设的迭代条件时，返回执行所述从多个训练集中选取一个训练集作为目标训练集的步骤，直至满足所述迭代条件，将当前的多任务神经网络作为信息获取模型。

4.根据权利要求3所述的方法，其特征在于，所述依据各个第二结果数据以及所述目标训练集中的各张图像的标注信息，计算所述多任务神经网络在当前迭代的损失函数值，包括：

依据各个第二结果数据以及所述目标训练集中的各张图像的标注信息，计算每个任务神经网络在当前迭代的损失函数值；

获取每个任务神经网络在上一次迭代的损失下降速率；

针对每个任务神经网络，依据所有的任务神经网络在上一次迭代的损失下降速率，计算所述任务神经网络在当前迭代的权重；

依据每个任务神经网络在当前迭代的损失函数值和权重，计算所述多任务神经网络在当前迭代的损失函数值。

5.根据权利要求1所述的方法，其特征在于，所述获取待泊车车辆所处位置的鸟瞰图，包括：

获取分别安装于待泊车车辆不同部位的多个图像采集装置采集的图像；

对多个图像采集装置采集的多张图像进行整合处理，得到所述待泊车车辆的鸟瞰图。

6.根据权利要求5所述的方法，其特征在于，所述图像采集装置采集为鱼眼摄像头。

7.根据权利要求5所述的方法，其特征在于，所述对多个图像采集装置采集的多张图像进行整合处理之前，还包括：

对多个图像采集装置采集的每张图像进行图像预处理。