车位识别方法及相关装置、电子设备、存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种车位识别方法及相关装置、电子设备、存储介质。


背景技术：

2.近年来，随着智能驾驶技术的不断发展，对泊车功能的要求也随之增长。
3.目前，车位识别主要依赖视觉环视摄像头得出的车辆环视图，基于深度学习算法，结合大量实车采集的车辆环视图，得到视觉车位线感知模型。但车辆环视图在不同视角的图像拼接处易产生畸变与图像错位，若车位线角点在图像拼接分缝处附近，深度学习的视觉感知易造成识别较大误差，造成车位线识别定位不准确，进而导致车辆停入车位的姿态较差。有鉴于此，如何提升车位识别的准确性，成为亟待解决的问题。


技术实现要素：

4.本技术主要解决的技术问题是提供一种车位识别方法及相关装置、电子设备、存储介质，能够提升车位识别的准确性。
5.为了解决上述技术问题，本技术第一方面提供了一种车位识别方法，包括：获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；再基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域；填充车辆环视图像中被裁剪的图像区域，得到待识别图像；基于待识别图像进行识别，得到车位识别结果。
6.为了解决上述技术问题，本技术第二方面提供了一种车位识别装置，包括：获取模块、确定模块、裁剪模块、填充模块和识别模块，获取模块用于获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；确定模块用于基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪模块用于裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域；填充模块用于填充车辆环视图像中被裁剪的图像区域，得到待识别图像；识别模块用于基于待识别图像进行识别，得到车位识别结果。
7.为了解决上述技术问题，本技术第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面的车位识别方法。
8.为了解决上述技术问题，本技术第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的车位识别方法。
9.上述方案，通过获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；再基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁
剪车辆环视图像中第二视角靠近第一视角的图像区域；填充车辆环视图像中被裁剪的图像区域，得到待识别图像；基于待识别图像进行识别，得到车位识别结果，一方面通过获取车辆环视图像和车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角，并进一步对车模自身、第一视角的图像区域以及车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪，尽可能地避免不同车辆状态下，相邻视角之间的分缝角偏差造成的车辆环视图像畸形或错位等情况，有助于提高车位识别的准确性，另一方面通过填充车辆环视图像中被裁剪的图像区域，进而避免车模本身纹理在车位识别过程中造成的视觉偏差，提高了待识别图像的清晰度，进一步提升车位识别的准确性。
10.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术。
附图说明
11.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本技术的实施例，并与说明书一起用于说明本技术的技术方案。
12.图1是本技术车位识别方法一实施例的流程示意图；
13.图2是车辆环视图像一实施例的示意图；
14.图3是对车辆环视图像进行裁剪过程一实施例的示意图；
15.图4是填充车辆环视图像中被裁剪的图像区域一实施例的示意图；
16.图5是待识别图像一实施例的示意图；
17.图6是待识别图像另一实施例的示意图；
18.图7是待识别图像又一实施例的示意图；
19.图8是本技术车位识别方法另一实施例的流程示意图；
20.图9是本技术车位识别装置一实施例的框架示意图；
21.图10是本技术电子设备一实施例的框架示意图；
22.图11是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
23.下面结合说明书附图，对本技术实施例的方案进行详细说明。
24.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
25.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。“若干”表示至少一个。本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
26.请参阅图1，图1是本技术车位识别方法一实施例的流程示意图。具体而言，可以包括如下步骤：
27.步骤s11：获取车辆环视图像，并获取车辆状态。
28.本公开实施例中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者。可以理解的是，搜车位是基于车辆左右两端进行搜索。此外，车辆状态可以基于控制器(即总控)中的车辆信息进行确定。
29.在一个实施场景中，车辆环视图像是基于车辆四周拍摄到的视角图像进行拼接，并将车模位置进行渲染得到。示例性地，请参阅图2，图2是车辆环视图像一实施例的示意图，具体地，可以将车辆前、后、左、右分别拍摄到的视角图像进行拼接，并基于拼接图像将车模位置进行渲染，进而得到车辆环视图像，即车辆环视图像可以包括车辆的前视角(前视图)、后视角(后视图)、左视角(左视图)、右视角(右视图)和车模。
30.步骤s12：基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角。
31.在一个实施场景中，响应于车辆状态为搜车位，确定第一视角包括前视角和后视角，且第二视角包括左视角和右视角。具体地，在获取车辆环视图像之后，进一步获取车辆状态，当车辆状态为搜车位时，确定前视角和后视角为需要裁剪的第一视角，左视角和右视角为需要保留的第二视角。
32.在另一个实施场景中，响应于车辆状态为车尾泊入，确定第一视角包括前视角、左视角和右视角，且第二视角包括后视角。具体地，在获取车辆环视图像之后，进一步获取车辆状态，当车辆状态为车尾泊入时，确定前视角、左视角和右视角为需要裁剪的第一视角，后视角为需要保留的第二视角。
33.在又一个实施场景中，响应于车辆状态为车头泊入，确定第一视角包括后视角、左视角和右视角，且第二视角包括前视角。具体地，在获取车辆环视图像之后，进一步获取车辆状态，当车辆状态为车头泊入时，确定后视角、左视角和右视角为需要裁剪的第一视角，前视角为需要保留的第二视角。
34.步骤s13：裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域。
35.需要说明的是，在对车辆环视图像进行裁剪过程中，不限于裁剪顺序，即可以先裁剪车辆环视图像中车模自身和第一视角的图像区域，也可以先裁剪车辆环视图像中第二视角靠近第一视角的图像区域。此外，由于车辆环视图像包含不同视角图像，而车辆环视图像中相邻视角之间存在分缝角偏差。示例性地，车辆环视图像中前视图与右视图存在分缝角偏差，若分缝角偏差可以是3度、2度、1度等，则可以是前视图偏向右视图3度，也可以是右视图偏向前视图3度。分缝角偏差可以根据实际情况进行确定，在此不做具体限定。可以理解的是，车辆环视图像中不同视角进行拼接过程中存在分缝角偏差，而分缝角偏差在车位识别过程中会造成视觉误差，进而导致车位识别不准确，因此，应去除因图像拼接产生的分缝角偏差，进而尽可能地降低车位识别中的产生的视觉误差。
36.在一个实施场景中，通过裁剪车辆环视图像中第二视角靠近第一视角的图像区域，尽可能地降低车位识别中的产生的视觉误差。具体地，将第一视角、第二视角和车模自身三者图像区域分界线的相交点，作为目标点，并沿以目标点为起点且偏离参考线预设角度的目标线，裁剪靠近第一视角的图像区域；其中，参考线为第一视角与第二视角的分界线且经过目标点。预设角度可以设置为4度、5度、6度等，预设角度可以根据实际情况进行设
置，在此不做具体限定。需要说明的是，预设角度不小于车辆环视图像中相邻视角之间的分缝角偏差。上述方式，通过裁剪靠近第一视角的图像区域，进而尽可能地去除因图像拼接产生的分缝角偏差，降低车位识别中的产生的视觉误差，进一步提升车位识别的准确性。
37.示例性地，请参阅图3，图3是对车辆环视图像进行裁剪过程一实施例的示意图，需要裁剪的第一视角包括前视角和后视角，需要保留的第二视角包括左视角和右视角，需要裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域。如图3所示，前视角、右视角和车模自身三者图像区域分界线的相交点为目标点，若分缝角偏差为3度，为保证保留的右视角图像区域无拼接分缝，需确保预设角度不小于分缝角偏差，预设角度可以通过α-β计算得到，如预设角度为5度，则β＝α-5
°
。进一步地，基于形成β角的线段确定目标线，裁剪靠近第一视角的图像区域为α与β两者之间的夹角区域。前视角与左视角、后视角与左视角、后视角与右视角之间的裁剪区域的确定方式可以以此类推，在此不再赘述。
38.步骤s14：填充车辆环视图像中被裁剪的图像区域，得到待识别图像。
39.请结合参阅图3和图4，图4是填充车辆环视图像中被裁剪的图像区域一实施例的示意图，当车辆状态为搜车位，确定第一视角包括前视角和后视角，第二视角包括左视角和右视角，裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域，即裁剪前视角、后视角和车模自身，进一步裁剪右视角靠近前视角的图像区域(α与β两者之间的夹角区域)。进一步地，将裁剪的图像区域以预设颜色进行填充，进而得到待识别图像，预设颜色可以是黑色、灰色等，在此不做具体限定。
40.请结合参阅图5，图5是待识别图像一实施例的示意图，当车辆状态为搜车位，确定第一视角包括前视角和后视角，且第二视角包括左视角和右视角，对车辆环视图像中车模自身和第一视角的图像区域进行裁剪，并进一步对车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪。进一步地，将裁剪的图像区域进行填充，即得到车辆状态为搜车位时的待识别图像。
41.请结合参阅图6，图6是待识别图像另一实施例的示意图，当车辆状态为车尾泊入，确定第一视角包括前视角、左视角和右视角，且第二视角包括后视角，对车辆环视图像中车模自身和第一视角的图像区域进行裁剪，并进一步对车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪。进一步地，将裁剪的图像区域进行填充，即得到车辆状态为车尾泊入时的待识别图像。
42.请结合参阅图7，图7是待识别图像又一实施例的示意图，当车辆状态为车头泊入，确定第一视角包括后视角、左视角和右视角，且第二视角包括前视角，对车辆环视图像中车模自身和第一视角的图像区域进行裁剪，并进一步对车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪。进一步地，将裁剪的图像区域进行填充，即得到车辆状态为车头泊入时的待识别图像。
43.步骤s15：基于待识别图像进行识别，得到车位识别结果。
44.在一个实施场景中，基于深度学习模型对待识别图像进行识别，进而得到车位识别结果，车位识别结果可以包括识别置信度和待识别图像中车位角点的像素位置，还可以进一步包括车位类型等。深度学习模型可以包括但不限于：cnn(convolution neural network，卷积神经网络)、rnn(recurrent neural network，循环神经网络)等等。此外，可
以基于样本数据对深度学习模型进行训练，具体地，获取实车中环视摄像头采集的样本车辆环视图像，并对车辆环视图像中可见的车位进行人工标注，即对车位四个角点在样本车辆环视图像中的位置以及车位的类型进行标注，车位类型可以包括水平、垂直、斜列等。将标注过的样本车辆环视图像作为样本数据，并基于样本数据对深度学习模型进行训练，使深度学习模型具备自动识别车位角点与车位类型的能力，进而得到车位识别结果。
45.在一个实施场景中，在基于待识别图像进行识别，得到车位识别结果之后，还可以检测识别置信度是否大于与车辆状态匹配的置信度阈值，置信度阈值可以设置为0.5、0.6、0.7等，当然，置信度阈值还可以基于车辆状态进行确定，置信度阈值可以根据实际情况进行确定，在此不做具体限定。当检测识别置信度大于与车辆状态匹配的置信度阈值时，将车位角点的像素位置映射至空间坐标系，得到车位角点的空间位置，示例性地，可以在车辆状态为搜车位的情况下，以第二车辆部位所在的空间位置为空间坐标系的坐标原点，第二车辆部位可以是车辆后轴中心，也可以是车辆中心点等，第二车辆部位可以根据实际情况进行确定，在此不做具体限定。此外，在确定空间坐标系的坐标原点之后，重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤时，可以基于当前空间坐标原点，进而尽可能地减少误差。具体地，可以先获取车位识别结果中车位角点的像素位置，再参照图像坐标系、相机坐标系、世界坐标系之间的相互转换方式，将车位角点的像素位置映射至空间坐标系，进而可以在获取相机内参、外参等信息之后，即可实现坐标系之间坐标的相互转换。并获取与车辆状态匹配的参考对象的空间位置，以及基于参考对象的空间位置对车位角点的空间位置进行校验，确定是否将车位识别结果更新至自动泊车系统。参考对象可以是车辆，也可以是广告牌等，参考对象的类型可以根据实际情况进行确定，在此不做具体限定。需要说明的是，参考对象的空间位置也位于空间坐标系。当检测识别置信度不大于与车辆状态匹配的置信度阈值时，重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，直至泊车完成或驶离车位。上述方式，通过检测识别置信度是否大于与车辆状态匹配的置信度阈值，进而可以判定当前识别结果是否可信，并在当前识别结果不可信的情况下，重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，在当前识别结果可信的情况下，进一步对车位识别结果进行判断，确定是否将车位识别结果更新至自动泊车系统，有助于提高车位识别结果的准确性，进一步提高用户的使用体验。
46.在一个具体实施场景中，在车辆状态为搜车位的情况下，参考对象的空间位置为第一车辆部位的空间位置，第一车辆部位可以是车辆的后视镜、门把手等，第一车辆部位可以根据实际情况进行确定，在此不做具体限定。具体地，可以先基于车位角点的空间位置，确定车位中轴线的空间位置，再检测第一车辆部位的空间位置是否位于车位中轴线的空间位置的第一预设范围内，确定是否将最新车位识别结果更新至自动泊车系统。第一预设范围可以根据第一车辆部位进行确定，在此不做具体限定。示例性地，第一车辆部位为车辆后视镜，并将第一预设范围设置为0.5米，通过车位角点的空间位置，计算得到车位中轴线的空间位置。再检测车辆后视镜的空间位置与车位中轴线的空间位置两者之间在空间位置内的直线距离是否在0.5米之内，若两者之间的直线距离在0.5米之内，则将最新车位识别结果更新至自动泊车系统，否则，重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，直至泊车完成或驶离车位。上述方式，当车辆状态为搜车位的情况下，通过基于车位角点的空间位置，确定车位中轴线的位置，进而通过中轴线的位置与第一车辆部位的空
间位置之间的距离，进而确定当前车位识别结果是否可用，进一步提高车位识别结果的准确性。
47.在一个具体实施场景中，在车辆状态为车头泊入或车尾泊入的情况下，参考对象的空间位置为车辆状态为搜车位时车位角点的空间位置，即参考对象的空间位置可以是车辆状态为搜车位时，任意车位角点的空间位置。具体地，可以检测参考对象的空间位置与车位角点的空间位置之间的位置偏差是否在第二预设范围内，确定是否将最新车位识别结果更新至自动泊车系统。示例性地，参考对象的空间位置为车辆状态为搜车位时，任意车位角点的空间位置，将第二预设范围设置为15厘米，检测参考对象的空间位置与车位角点的空间位置之间的位置偏差是否在15厘米之内，若两者之间的距离在15厘米之内，则将最新车位识别结果更新至自动泊车系统，否则，重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，直至泊车完成或驶离车位。需要说明的是，与车头泊入匹配的置信度阈值、与车尾泊入匹配的置信度阈值均大于与搜车位匹配的置信度阈值，进而可以确保在泊车阶段采用比搜车位阶段更为高标准的识别结果，来更新至自动泊车系统，进一步提高车位识别的准确性。上述方式，当车辆状态为车头泊入或车尾泊入的情况下，通过检测车辆状态为搜车位时车位角点的空间位置，与最新车位识别结果车位角点的空间位置进行比对，进而确定当前车位识别结果是否可用，进一步提高车位识别结果的准确性。
48.在一个实施场景中，在基于参考对象的空间位置对车位角点的空间位置进行校验，确定是否将车位识别结果更新至自动泊车系统之后，还可以重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，直至泊车完成或驶离车位。上述方式，通过不断地获取车辆状态的步骤及其后续步骤，进而得到车位识别结果，即不断更新最近的车位识别结果，直至泊车完成或驶离车位，有助于提高车位识别的实时性和精确性，尽可能地避免由于车位识别偏差造成车辆泊入姿态较差的情况。
49.上述方案，通过获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；再基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域；填充车辆环视图像中被裁剪的图像区域，得到待识别图像；基于待识别图像进行识别，得到车位识别结果，一方面通过获取车辆环视图像和车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角，并进一步对车模自身、第一视角的图像区域以及车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪，尽可能地避免不同车辆状态下，相邻视角之间的分缝角偏差造成的车辆环视图像畸形或错位等情况，有助于提高车位识别的准确性，另一方面通过填充车辆环视图像中被裁剪的图像区域，进而避免车模本身纹理在车位识别过程中造成的视觉偏差，提高了待识别图像的清晰度，进一步提升车位识别的准确性。
50.请参阅图8，图8是本技术车位识别方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
51.步骤s801：获取车辆环视图像，并获取车辆状态。
52.具体地，可以参展前述公开实施例中的方式，在此不再赘述。
53.在一个实施场景中，在获取车辆环视图像，并获取车辆状态之后，还可以进一步判断车辆是否开启自动泊车功能，若是，则对车辆状态进行判断，否则，重新执行获取车辆环
视图像，并获取车辆状态的步骤及其后续步骤。
54.步骤s802：判断车辆状态是否为搜车位；若是，则执行步骤s802；否则，执行步骤s807。
55.步骤s802：裁剪车辆环视图像中车模及前/后视角。
56.在一个实施场景中，当车辆状态为搜车位时，确定车辆环视图像中需要裁剪的第一视角包括前视角和后视角，需要保留的第二视角包括左视角和右视角，则对车辆环视图像中车模及前/后视角进行裁剪，还可以进一步对车辆环视图像中第二视角靠近第一视角的图像区域进行此案件，尽可能地避免出现车辆环视图像中相邻视角之间的分缝角偏差。
57.步骤s803：填充被裁剪的图像区域，得到待识别图像。
58.在一个实施场景中，对车辆环视图像中进行裁剪之后，可以对被裁剪的图像区域进行填充，得到待识别图像，由此，尽可能降低车模本身纹理对车位识别过程中造成的影响。
59.步骤s804：基于待识别图像进行识别，得到车位识别结果。
60.具体地，对待识别图像进行识别的方式，可以参照前述公开实施例中的方式，在此不再赘述。
61.步骤s805：判断识别置信度是否大于0.5；若是，则执行步骤s806；否则，执行步骤s801。
62.在一个实施场景中，在得到车位识别结果之后，还可以对车位识别结果中的识别置信度进行判断，即检测识别置信度是否大于与车辆状态匹配的置信度阈值，将车辆状态匹配的置信度阈值设置为0.5，则检测识别置信度是否大于0.5。此外，当识别置信度不大于0.5时，则表征当前车位识别结果不可信，需重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤。
63.步骤s806：判断第一车辆部位的空间位置是否位于车位中轴线的空间位置的第一预设范围内；若是，则执行步骤s814；否则，执行步骤s801。
64.在一个实施场景中，在确定识别置信度大于0.5之后，还可以对车位识别结果的精度进行验证，验证方式可以根据前述公开实施例中的方式，在此不再赘述。此外，当第一车辆部位的空间位置是未位于车位中轴线的空间位置的第一预设范围内时，则表征当前车位识别结果不可用，需重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤。
65.步骤s814：将最新车位识别结果更新至自动泊车系统。
66.步骤s807：判断车辆状态是否为车尾泊入；若是，则执行步骤s808；否则，执行步骤s809。
67.步骤s808：裁剪车辆环视图像中车模及前/左/右视角。
68.在一个实施场景中，当车辆状态为车尾泊入时，确定车辆环视图像中需要裁剪的第一视角包括前视角、左视角和右视角，需要保留的第二视角包括后视角，则对车辆环视图像中车模及前/左/右视角进行裁剪，还可以进一步对车辆环视图像中第二视角靠近第一视角的图像区域进行此案件，尽可能地避免出现车辆环视图像中相邻视角之间的分缝角偏差。
69.步骤s809：裁剪车辆环视图像中车模及左/右/后视角。
70.在一个实施场景中，当车辆状态为车头入时，确定车辆环视图像中需要裁剪的第
一视角包括左视角、右视角和后视角，需要保留的第二视角包括前视角，则对车辆环视图像中车模及左/右/后视角进行裁剪，还可以进一步对车辆环视图像中第二视角靠近第一视角的图像区域进行此案件，尽可能地避免出现车辆环视图像中相邻视角之间的分缝角偏差。
71.s810：填充被裁剪的图像区域，得到待识别图像。
72.在一个实施场景中，对车辆环视图像中进行裁剪之后，可以对被裁剪的图像区域进行填充，得到待识别图像，由此，尽可能降低车模本身纹理对车位识别过程中造成的影响。
73.s811：基于待识别图像进行识别，得到车位识别结果。
74.具体地，对待识别图像进行识别的方式，可以参照前述公开实施例中的方式，在此不再赘述。
75.步骤s812：判断识别置信度是否大于0.7若是，则执行步骤s813；否则，执行步骤s801。
76.在一个实施场景中，在得到车位识别结果之后，还可以对车位识别结果中的识别置信度进行判断，即检测识别置信度是否大于与车辆状态匹配的置信度阈值，将车辆状态匹配的置信度阈值设置为0.7，则检测识别置信度是否大于0.7。此外，当识别置信度不大于0.7时，则表征当前车位识别结果不可信，需重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤。
77.需要说明的是，与车头泊入匹配的置信度阈值、与车尾泊入匹配的置信度阈值均大于与搜车位匹配的置信度阈值。
78.步骤s813：判断参考对象的空间位置与车位角点的空间位置之间的位置偏差是否在第二预设范围内；若是，则执行步骤s814；否则，执行步骤s801。
79.在一个实施场景中，在确定识别置信度大于0.7之后，还可以对车位识别结果的精度进行验证，验证方式可以根据前述公开实施例中的方式，在此不再赘述。此外，当参考对象的空间位置与车位角点的空间位置之间的位置偏差未在第二预设范围内时，则表征当前车位识别结果不可用，需重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤。
80.步骤s814：将最新车位识别结果更新至自动泊车系统。
81.上述方案，通过获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；再基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域；填充车辆环视图像中被裁剪的图像区域，得到待识别图像；基于待识别图像进行识别，得到车位识别结果，一方面通过获取车辆环视图像和车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角，并进一步对车模自身、第一视角的图像区域以及车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪，尽可能地避免不同车辆状态下，相邻视角之间的分缝角偏差造成的车辆环视图像畸形或错位等情况，有助于提高车位识别的准确性，另一方面通过填充车辆环视图像中被裁剪的图像区域，进而避免车模本身纹理在车位识别过程中造成的视觉偏差，提高了待识别图像的清晰度，进一步提升车位识别的准确性。
82.请参阅图9，图9是本技术车位识别装置一实施例的框架示意图。车位识别装置90
包括：获取模块91、确定模块92、裁剪模块93、填充模块94和识别模块95。其中，获取模块91用于获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；确定模块92用于基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪模块93用于裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域；填充模块94用于填充车辆环视图像中被裁剪的图像区域，得到待识别图像；识别模块95用于基于待识别图像进行识别，得到车位识别结果。
83.上述方案，通过获取车辆环视图像，并获取车辆状态；其中，车辆状态包括：搜车位、车头泊入、车尾泊入中任一者；再基于车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角；裁剪车辆环视图像中车模自身和第一视角的图像区域，并裁剪车辆环视图像中第二视角靠近第一视角的图像区域；填充车辆环视图像中被裁剪的图像区域，得到待识别图像；基于待识别图像进行识别，得到车位识别结果，一方面通过获取车辆环视图像和车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角，并进一步对车模自身、第一视角的图像区域以及车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪，尽可能地避免不同车辆状态下，相邻视角之间的分缝角偏差造成的车辆环视图像畸形或错位等情况，有助于提高车位识别的准确性，另一方面通过填充车辆环视图像中被裁剪的图像区域，进而避免车模本身纹理在车位识别过程中造成的视觉偏差，提高了待识别图像的清晰度，进一步提升车位识别的准确性。在一些公开实施例中，裁剪模块93包括选择子模块和裁剪子模块。其中，选择子模块用于将第一视角、第二视角和车模自身三者图像区域分界线的相交点，作为目标点；裁剪子模块用于沿以目标点为起点且偏离参考线预设角度的目标线，裁剪第一视角的图像区域；其中，参考线为第一视角与第二视角的分界线且经过目标点。
84.因此，通过裁剪靠近第一视角的图像区域，进而尽可能地去除因图像拼接产生的分缝角偏差，降低车位识别中的产生的视觉误差，进一步提升车位识别的准确性。
85.在一些公开实施例中，预设角度不小于车辆环视图像中相邻视角之间的分缝角偏差。
86.在一些公开实施例中，确定模块92包括第一响应子模块、第二响应子模块和第三响应子模块。其中，第一响应子模块用于响应于车辆状态为搜车位，确定第一视角包括前视角和后视角，且第二视角包括左视角和右视角；第二响应子模块用于响应于车辆状态为车尾泊入，确定第一视角包括前视角、左视角和右视角，且第二视角包括后视角；第三响应子模块用于响应于车辆状态为车头泊入，确定第一视角包括后视角、左视角和右视角，且第二视角包括前视角。
87.因此，通过车辆状态，进而确定第一视角与第二视角，尽可能地避免车辆环视图像中相邻视角之间出现分缝角偏差，进而提升车位识别的准确性。
88.在一些公开实施例中，车位识别装置90还包括检测模块、校验模块和执行模块。其中，检测模块用于检测识别置信度是否大于与车辆状态匹配的置信度阈值；校验模块用于将车位角点的像素位置映射至空间坐标系，得到车位角点的空间位置，并获取与车辆状态匹配的参考对象的空间位置，以及基于参考对象的空间位置对车位角点的空间位置进行校验，确定是否将车位识别结果更新至自动泊车系统；执行模块用于重新执行获取车辆环视
图像，并获取车辆状态的步骤及其后续步骤，直至泊车完成或驶离车位。
89.因此，通过检测识别置信度是否大于与车辆状态匹配的置信度阈值，进而可以判定当前识别结果是否可信，并在当前识别结果不可信的情况下，重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，在当前识别结果可信的情况下，进一步对车位识别结果进行判断，确定是否将车位识别结果更新至自动泊车系统，有助于提高车位识别结果的准确性，进一步提高用户的使用体验。
90.在一些公开实施例中，在车辆状态为搜车位的情况下，参考对象的空间位置为第一车辆部位的空间位置，校验模块包括确定子模块、第一检测子模块，确定子模块用于基于车位角点的空间位置，确定车位中轴线的空间位置；第一检测子模块用于检测第一车辆部位的空间位置是否位于车位中轴线的空间位置的第一预设范围内，确定是否将最新车位识别结果更新至自动泊车系统。
91.因此，当车辆状态为搜车位的情况下，通过基于车位角点的空间位置，确定车位中轴线的位置，进而通过中轴线的位置与第一车辆部位的空间位置之间的距离，进而确定当前车位识别结果是否可用，进一步提高车位识别结果的准确性。
92.在一些公开实施例中，在车辆状态为车头泊入或车尾泊入的情况下，参考对象的空间位置为车辆状态为搜车位时车尾角点的空间位置，校验模块包括第二检测子模块，第二检测子模块用于检测参考对象的空间位置与车位角点的空间位置之间的位置偏差是否在第二预设范围内，确定是否将最新车位识别结果更新至自动泊车系统。
93.因此，当车辆状态为车头泊入或车尾泊入的情况下，通过检测车辆状态为搜车位时车位角点的空间位置，与最新车位识别结果车位角点的空间位置进行比对，进而确定当前车位识别结果是否可用，进一步提高车位识别结果的准确性。
94.在一些公开实施例中，车位识别装置90还包括循环模块，循环模块用于重新执行获取车辆环视图像，并获取车辆状态的步骤及其后续步骤，直至泊车完成或驶离车位。
95.因此，通过不断地获取车辆状态的步骤及其后续步骤，进而得到车位识别结果，即不断更新最近的车位识别结果，直至泊车完成或驶离车位，有助于提高车位识别的实时性和精确性，尽可能地避免由于车位识别偏差造成车辆泊入姿态较差的情况。
96.在一些公开实施例中，与车头泊入匹配的置信度阈值、与车尾泊入匹配的置信度阈值均大于与搜车位匹配的置信度阈值；和/或，空间坐标系的坐标原点为第二车辆部位在车辆状态开始为搜车位时的空间位置。
97.请参阅图10，图10是本技术电子设备一实施例的框架示意图。电子设备100包括相互耦接的存储器101和处理器102，存储器101中存储有程序指令，处理器102用于执行程序指令以实现上述任一车位识别方法实施例中的步骤。具体地，电子设备100可以包括但不限于：台式计算机、笔记本电脑、服务器、手机、平板电脑等等，在此不做限定。
98.具体而言，处理器102用于控制其自身以及存储器101以实现上述任一车位识别方法实施例中的步骤。处理器102还可以称为cpu(central processing unit，中央处理单元)。处理器102可能是一种集成电路芯片，具有信号的处理能力。处理器102还可以是通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用
处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器102可以由集成电路芯片共同实现。
99.上述方案，一方面通过获取车辆环视图像和车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角，并进一步对车模自身、第一视角的图像区域以及车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪，尽可能地避免不同车辆状态下，相邻视角之间的分缝角偏差造成的车辆环视图像畸形或错位等情况，有助于提高车位识别的准确性，另一方面通过填充车辆环视图像中被裁剪的图像区域，进而避免车模本身纹理在车位识别过程中造成的视觉偏差，提高了待识别图像的清晰度，进一步提升车位识别的准确性。
100.请参阅图11，图11是本技术计算机可读存储介质一实施例的框架示意图。计算机可读存储介质110存储有能够被处理器运行的程序指令111，程序指令111用于实现上述任一车位识别方法实施例中的步骤。
101.上述方案，一方面通过获取车辆环视图像和车辆状态，确定车辆环视图像中需要裁剪的第一视角和需要保留的第二视角，并进一步对车模自身、第一视角的图像区域以及车辆环视图像中第二视角靠近第一视角的图像区域进行裁剪，尽可能地避免不同车辆状态下，相邻视角之间的分缝角偏差造成的车辆环视图像畸形或错位等情况，有助于提高车位识别的准确性，另一方面通过填充车辆环视图像中被裁剪的图像区域，进而避免车模本身纹理在车位识别过程中造成的视觉偏差，提高了待识别图像的清晰度，进一步提升车位识别的准确性。
102.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
103.上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
104.在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
105.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
106.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
107.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者
说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
108.若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。