本申請智能泊車的領域，其具體地公開了一種智能泊車系統及其操作方法。其通過深度學習中的卷積神經網絡模型分別提取出所述待選擇車位的圖像與所述待選擇車位的接收波的波形圖的局部特征在高維空間中的深層次抽象特征分布表示，并且將與所述超聲波接收器對應的所述第二特征圖作為所述傳感器的特征表示，而將所述第一特征圖作為與所述車位對應的源節點的特征表示，來計算傳感器對于源的接收信號因數，以針對所述超聲波的傳播特性計算所述第二特征圖的加權系數，以融合所述第一特征圖和所述第二特征圖，進而使得分類的結果更為準確。這樣，能夠對待選擇的車位是否可用進行準確地判斷，以輔助新手駕駛員和高齡駕駛員進行車輛停泊。停泊。停泊。
【技術實現步驟摘要】
智能泊車系統及其操作方法
[0001]本專利技術涉及智能泊車的領域，且更為具體地，涉及一種智能泊車系統及其操作方法。
技術介紹
[0002]隨著科技的發展和大眾購買力的不斷提高，汽車已經走入千家萬戶。據統計，2020年中國機動車駕駛員數量達4.56億，其中民用汽車駕駛人數占機動車駕駛員數量的91.67％。從機動車駕駛人性別看，2020年男性駕駛員人數達3.08億，占67.57％；女性駕駛員人數達1.48億，占32.43％。從機動車駕駛員年齡看，51至60歲的駕駛員人數達6086萬，占13.36％。同時，數據表明，2020年全國新領證駕駛人(駕齡不滿1年)數量達2231萬人，占全國機動車駕駛人總數的4.90％。
[0003]大量對方向感把握方向欠佳的新手駕駛員和高齡駕駛員由于在泊車過程中對陌生及復雜的周圍環境的認知與判斷不是很準確，對于車身與停車線的相對位置也是較難把控，因此泊車困難問題越發得到關注。因此，為了對待選擇的車位是否可用進行準確地判斷，以輔助新手駕駛員和高齡駕駛員進行車輛停泊，期待一種智能泊車系統的操作方法。
技術實現思路
[0004]為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種智能泊車系統及其操作方法，其通過深度學習中的卷積神經網絡模型分別提取出所述待選擇車位的圖像與所述待選擇車位的接收波的波形圖的局部特征在高維空間中的深層次抽象特征分布表示，并且將與所述超聲波接收器對應的所述第二特征圖作為所述傳感器的特征表示，而將所述第一特征圖作為與所述車位對應的源節點的特征表示，來計算傳感器對于源的接收信號因數，以針對所述超聲波的傳播特性計算所述第二特征圖的加權系數，以融合所述第一特征圖和所述第二特征圖，進而使得分類的結果更為準確。這樣，能夠對待選擇的車位是否可用進行準確地判斷，以輔助新手駕駛員和高齡駕駛員進行車輛停泊。
[0005]根據本申請的一個方面，提供了一種智能泊車系統，其包括：
[0006]源數據獲取單元，用于通過部署于車輛的視覺傳感器和超聲波傳感器分別獲取待選擇車位的圖像和接收波的波形圖；
[0007]第一特征提取單元，用于將所述待選擇車位的圖像通過第一卷積神經網絡以獲得第一特征圖；
[0008]第二特征提取單元，用于將所述接收波的波形圖通過第二卷積神經網絡以獲得第二特征圖；
[0009]接收信號因數計算單元，用于將所述第二特征圖作為所述超聲波傳感器的特征表示和將所述第一特征圖作為與所述待選擇車位對應的源節點的特征表示，計算所述超聲波傳感器相對于源的接收信號因數，所述接收信號因數為所述超聲波傳感器的發射功率減去所述第一特征圖和所述第二特征圖對應的特征向量之間的向量距離與所述超聲波傳感器
與所述待選擇車位之間的距離的比值的對數函數值與路徑損耗因數的乘積；
[0010]特征圖修正單元，用于以所述接收信號因數作為加權權重對所述第二特征圖進行加權以獲得加權第二特征圖；
[0011]特征圖融合單元，用于融合所述第一特征圖和所述加權第二特征圖以獲得分類特征圖；以及
[0012]泊車分析單元，用于將所述分類特征圖通過分類器以獲得分類結果，所述分類結果用于表示待選擇車位是否可用。
[0013]在上述智能泊車系統中，所述第一卷積神經網絡的各層在層的正向傳遞過程中對輸入數據進行卷積處理、池化處理和激活處理以由所述第一卷積神經網絡的最后一層輸出所述第一特征圖，所述第一卷積神經網絡的輸入為所述待選擇車位的圖像。
[0014]在上述智能泊車系統中，所述第二卷積神經網絡的各層在層的正向傳遞過程中對輸入數據進行卷積處理、池化處理和激活處理以由所述第二卷積神經網絡的最后一層輸出所述第二特征圖，所述第二卷積神經網絡的輸入為所述接收波的波形圖。
[0015]在上述智能泊車系統中，所述接收信號因數計算單元，用于以如下公式來計算所述超聲波傳感器相對于源的接收信號因數，其中，所述公式為：
[0016][0017]其中v
sensor
和v
source
分別是與第二特征圖和第一特征圖對應的特征向量，||
·
||表示向量間距離，d是超聲波傳感器與車位間的距離，P是超聲波傳感器的發射功率，且γ是路徑損耗因數。
[0018]在上述智能泊車系統中，所述接收信號因數計算單元，進一步用于：對所述第一特征圖和所述第二特征圖進行線性投影以將所述第一特征圖和所述第二特征圖分別轉化為特征向量。
[0019]在上述智能泊車系統中，所述接收信號因數計算單元，進一步用于：使用第三卷積神經網絡分別對所述第一特征圖和所述第二特征圖進行編碼以由所述第三卷積神經網絡的最后一層輸出對應于所述第一特征圖或所述第二特征圖的特征向量，其中，所述第三卷積神經網絡的各層在層的正向傳遞過程中對輸入數據進行卷積處理、沿通道維度的池化處理和激活處理以由所述第三卷積神經網絡的最后一層輸出對應于所述第一特征圖或所述第二特征圖的特征向量。
[0020]在上述智能泊車系統中，所述泊車分析單元，進一步用于：使用所述分類器以如下公式對所述分類特征圖進行處理以生成所述分類結果，所述公式為：softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}，其中project(F)表示將所述分類特征圖投影為向量，W1至W
n
為各層全連接層的權重矩陣，B1至B
n
表示各層全連接層的偏置矩陣。
[0021]根據本申請的另一方面，一種智能泊車系統的操作方法，其包括：
[0022]通過部署于車輛的視覺傳感器和超聲波傳感器分別獲取待選擇車位的圖像和接收波的波形圖；
[0023]將所述待選擇車位的圖像通過第一卷積神經網絡以獲得第一特征圖；
[0024]將所述接收波的波形圖通過第二卷積神經網絡以獲得第二特征圖；
[0025]將所述第二特征圖作為所述超聲波傳感器的特征表示和將所述第一特征圖作為
與所述待選擇車位對應的源節點的特征表示，計算所述超聲波傳感器相對于源的接收信號因數，所述接收信號因數為所述超聲波傳感器的發射功率減去所述第一特征圖和所述第二特征圖對應的特征向量之間的向量距離與所述超聲波傳感器與所述待選擇車位之間的距離的比值的對數函數值與路徑損耗因數的乘積；
[0026]以所述接收信號因數作為加權權重對所述第二特征圖進行加權以獲得加權第二特征圖；
[0027]融合所述第一特征圖和所述加權第二特征圖以獲得分類特征圖；以及
[0028]將所述分類特征圖通過分類器以獲得分類結果，所述分類結果用于表示待選擇車位是否可用。
[0029]在上述智能泊車系統的操作方法中，所述第一卷積神經網絡的各層在層的正向傳遞過程中對輸入數據進行卷積處理、池化處理和激活處理以由所述第一卷積神經網絡的最后一層輸出所述第一特征圖，所述第一卷積神經網絡的輸入為所述待選擇車位的圖像。
[003本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種智能泊車系統，其特征在于，包括：源數據獲取單元，用于通過部署于車輛的視覺傳感器和超聲波傳感器分別獲取待選擇車位的圖像和接收波的波形圖；第一特征提取單元，用于將所述待選擇車位的圖像通過第一卷積神經網絡以獲得第一特征圖；第二特征提取單元，用于將所述接收波的波形圖通過第二卷積神經網絡以獲得第二特征圖；接收信號因數計算單元，用于將所述第二特征圖作為所述超聲波傳感器的特征表示和將所述第一特征圖作為與所述待選擇車位對應的源節點的特征表示，計算所述超聲波傳感器相對于源的接收信號因數，所述接收信號因數為所述超聲波傳感器的發射功率減去所述第一特征圖和所述第二特征圖對應的特征向量之間的向量距離與所述超聲波傳感器與所述待選擇車位之間的距離的比值的對數函數值與路徑損耗因數的乘積；特征圖修正單元，用于以所述接收信號因數作為加權權重對所述第二特征圖進行加權以獲得加權第二特征圖；特征圖融合單元，用于融合所述第一特征圖和所述加權第二特征圖以獲得分類特征圖；以及泊車分析單元，用于將所述分類特征圖通過分類器以獲得分類結果，所述分類結果用于表示待選擇車位是否可用。2.根據權利要求1所述的智能泊車系統，其中，所述第一卷積神經網絡的各層在層的正向傳遞過程中對輸入數據進行卷積處理、池化處理和激活處理以由所述第一卷積神經網絡的最后一層輸出所述第一特征圖，所述第一卷積神經網絡的輸入為所述待選擇車位的圖像。3.根據權利要求2所述的智能泊車系統，其中，所述第二卷積神經網絡的各層在層的正向傳遞過程中對輸入數據進行卷積處理、池化處理和激活處理以由所述第二卷積神經網絡的最后一層輸出所述第二特征圖，所述第二卷積神經網絡的輸入為所述接收波的波形圖。4.根據權利要求3所述的智能泊車系統，其中，所述接收信號因數計算單元，用于以如下公式來計算所述超聲波傳感器相對于源的接收信號因數，其中，所述公式為：其中v
sensor
和v
source
分別是與第二特征圖和第一特征圖對應的特征向量，||
·
||表示向量間距離，d是超聲波傳感器與車位間的距離，P是超聲波傳感器的發射功率，且γ是路徑損耗因數。5.根據權利要求4所述的智能泊車系統，其中，所述接收信號因數計算單元，進一步用于對所述第一特征圖和所述第二特征圖進行線性投影以將所述第一特征圖和所述第二特征圖分別轉化為特征向量。6.根據權利要求4所述的智能泊車系統，其中，所述接收信號因數計算單元，進一步用于使用第三卷積神經網絡分別對所述第一特征圖和所述第二特征圖進行編碼以由所述第三卷積神經網絡的最后一層輸出對應于所述第一特征圖或所述第二特征圖的特征向量，其中，所述第三卷積神經網絡的各層在層的正向傳...
【專利技術屬性】
技術研發人員：周印通，
申請(專利權)人：杭州鴿然科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。