一种泊车辅助方法及装置、设备、存储介质与流程

本技术实施例涉及泊车辅助技术，涉及但不限于一种泊车辅助方法及装置、设备、存储介质。

背景技术：

1、随着汽车智能化和自动驾驶技术的发展，泊车辅助系统的需求日益增加。然而，基于视觉的感知技术层出不穷，不同的算法对场景的适应性和算力需求差异很大，直接影响用户的体验和整车价格。为了解决这个问题，需要一种低成本高性能的视觉感知泊车方案。

2、因此，如何实现低成本、高性能的泊车辅助，是一个亟待解决的问题。

技术实现思路

1、有鉴于此，本技术实施例提供的一种泊车辅助方法及装置、设备、存储介质，能够实现低成本、高性能的泊车辅助。本技术实施例提供的一种泊车辅助方法及装置、设备、存储介质是这样实现的：

2、本技术实施例提供的一种泊车辅助方法，包括：

3、在车辆的速度低于预设速度阈值时，通过车载摄像头获取多张当前图像；

4、根据所述多张当前图像以及预设的神经网络模型，得到与所述多张当前图像对应的多个目标识别结果，所述多个目标识别结果包括车位信息的目标识别结果以及其他信息的目标识别结果，所述其他信息包括目标对象和行驶区域信息中的至少一种，所述预设的神经网络模型是根据在历史泊车场景下采集到的样本数据对初始神经网络模型进行训练得到的，所述样本数据包括在所述历史泊车场景下采集的多张历史图像以及所述历史泊车场景下的多个历史车位信息以及历史其他信息；

5、对所述多个目标识别结果进行融合处理，得到泊车地图，所述泊车地图用于辅助泊车。

6、在一些实施例中，所述预设的神经网络模型包括车位信息识别子模块和其他信息识别子模块，所述根据所述多张图像和预设的神经网络模型，得到与所述多张当前图像对应的多个目标识别结果，包括：

7、根据所述多张当前图像，得到与所述多张当前图像对应的全景视图bev图像以及四路鱼眼图像；

8、根据所述全景视图bev图像和所述车位信息识别子模块，得到所述车位信息的目标识别结果，所述车位信息包括车位号以及库位；

9、根据所述四路鱼眼图像和所述其他信息识别子模块，得到其他信息的目标识别结果。

10、在一些实施例中，所述其他信息包括所述目标对象和所述行驶区域信息，所述其他信息识别子模块包括自动泊车辅助apa多任务感知模型，所述apa多任务感知模型包括多任务感知神经网络、对象检测子模型以及行驶区域检测子模型，所述根据所述四路鱼眼图像和所述其他信息识别子模块，得到其他信息的目标识别结果，包括：

11、获取所述车载摄像头的相机标定信息以及所述车辆的dr信息；

12、通过所述多任务感知神经网络对所述四路鱼眼图像、所述车载摄像头的相机标定信息以及所述车辆的dr信息进行处理，得到目标图像特征以及目标关键点特征；

13、通过所述对象检测子模型对所述目标图像特征以及目标关键点特征进行处理，得到所述目标对象的目标识别结果，所述目标对象包括行人、障碍物以及车辆；

14、通过所述行驶区域检测子模型对所述目标图像特征以及目标关键点特征进行处理，得到所述行驶区域信息的目标识别结果。

15、在一些实施例中，所述行驶区域信息包括可泊车区域信息以及路面标识信息，所述行驶区域检测子模型用于获取所述可泊车区域信息的目标识别结果，所述预设的神经网络模型还包括路面标识识别子模块，所述根据所述多张图像和预设的神经网络模型，得到与所述多张当前图像对应的多个目标识别结果，包括：

16、根据所述全景视图bev图像和所述路面标识识别子模块，得到所述路面标识信息的目标识别结果。

17、在一些实施例中，所述路面标识识别子模块为自学习泊车hpa多任务感知模型，所述hpa多任务感知模型包括第一特征提取子模型、语义分割子模型、语义关键点检测子模型以及第一后处理子模型，所述根据所述全景视图bev图像和所述路面标识识别子模块，得到所述路面标识信息的目标识别结果，包括：

18、通过所述第一特征提取子模型对所述bev图像进行处理，得到所述bev图像的特征信息；

19、通过所述语义分割子模型对所述bev图像的特征信息进行处理，得到语义分割结果；

20、通过所述语义关键点检测子模型对所述bev图像的特征信息进行处理，得到关键点识别结果，所述关键点识别结果包括关键点坐标、关键点类型以及置信度；

21、通过所述第一后处理子模型对所述语义分割结果以及所述关键点识别结果进行处理，得到所述路面标识信息的目标识别结果，所述路面标识信息包括指引箭头标识信息、车道线信息、停止线信息以及减速带信息中的至少一种。

22、在一些实施例中，所述车位信息识别子模块包括库位检测模型，所述库位检测模型包括第二特征提取子模型、库位检测子模型以及第二后处理子模型，所述根据所述全景视图bev图像和所述车位信息识别子模块，得到所述车位信息的目标识别结果，包括：

23、对所述bev图像进行预处理，得到预处理后的bev图像，所述预处理包括归一化、格式转换、仿射变换中的至少一种；

24、通过所述第二特征提取子模型对所述预处理后的bev图像进行处理，得到所述bev图像的特征信息；

25、通过所述库位检测子模型对所述预处理后的bev图像的特征信息进行处理，得到初始库位识别结果；

26、通过所述第二后处理子模型对所述初始库位识别结果进行处理，得到所述车位信息中库位的目标识别结果，所述车位信息中库位的目标识别结果包括库位坐标、库位类型以及侵占情况。

27、在一些实施例中，所述其他信息还包括脏污信息，所述其他信息识别子模块还包括脏污检测模型，所述脏污检测模型包括第三特征提取子模型、纹理检测子模型以及第三后处理子模型，所述根据所述四路鱼眼图像和所述其他信息识别子模块，得到其他信息的目标识别结果，还包括：

28、通过所述第三特征提取子模型对所述四路鱼眼图像进行处理，得到所述四路鱼眼图像的特征信息；

29、通过所述纹理检测子模型对所述预处理后的四路鱼眼图像的特征信息进行处理，得到纹理检测结果；

30、通过所述第三后处理子模型对所述纹理检测结果进行处理，得到所述其他信息中的脏污信息，所述脏污信息包括正常、泥污、雨水中的至少一种。

31、本技术实施例提供的一种泊车辅助装置，包括：

32、获取模块，用于在车辆的速度低于预设速度阈值时，通过车载摄像头获取多张当前图像；

33、所述获取模块，还用于根据所述多张当前图像以及预设的神经网络模型，得到与所述多张当前图像对应的多个目标识别结果，所述多个目标识别结果包括车位信息的目标识别结果以及其他信息的目标识别结果，所述其他信息包括目标对象和行驶区域信息中的至少一种，所述预设的神经网络模型是根据在历史泊车场景下采集到的样本数据对初始神经网络模型进行训练得到的，所述样本数据包括在所述历史泊车场景下采集的多张历史图像以及所述历史泊车场景下的多个历史车位信息以及历史其他信息；

34、融合模块，用于对所述多个目标识别结果进行融合处理，得到泊车地图，所述泊车地图用于辅助泊车。

35、本技术实施例提供的计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例所述的方法。

36、本技术实施例提供的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术实施例提供的所述的方法。

37、本技术实施例所提供的一种泊车辅助方法、装置、计算机设备和计算机可读存储介质，通过在车辆的速度低于预设速度阈值时，通过车载摄像头获取多张当前图像，根据所述多张当前图像以及预设的神经网络模型，得到与所述多张当前图像对应的多个目标识别结果，对所述多个目标识别结果进行融合处理，得到泊车地图。这样，通过得到的泊车地图进行辅助泊车，实现了低成本、高性能的泊车辅助，解决背景技术中所提出的技术问题。