买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京茵沃汽车科技有限公司

摘要：本发明提供了一种用于自动泊车的障碍物检测方法、系统及介质，其可以兼顾大、小障碍物的检测精度，且检测速度快，方法包括以下步骤：步骤1：通过摄像头采集图像，基于视觉检测检测障碍物，获得障碍物信息；步骤2：读取超声波雷达所测量的障碍物信息；步骤3：通过结合摄像头视觉检测和超声波雷达测量所获取的障碍物信息最终确定障碍物的位置。

主权项：1.一种用于自动泊车的障碍物检测方法，其特征在于，包括以下步骤：步骤1：通过摄像头采集图像，基于视觉检测检测障碍物，获得障碍物信息；步骤2：读取超声波雷达所测量的障碍物信息；步骤3：通过结合摄像头视觉检测和超声波雷达测量所获取的障碍物信息最终确定障碍物的位置；步骤1具体包括以下步骤：步骤101：构建数据集，数据集包括根据所需要的场景采集的图片数据和障碍物的标注文件；步骤102；建立SSD网络模型，使用数据集训练SSD网络模型，得到训练好的SSD网络模型；步骤103：对于训练好的SSD网络模型进行剪枝、量化操作；步骤104：对摄像头进行标定，得到图像坐标系与世界坐标系及其之间的关系；步骤105：将摄像头采集到的图片，输入到训练好的SSD网络模型中，输出检测到的图片中的障碍物，通过最小外接矩形标记障碍物；步骤106：根据图像坐标系与世界坐标系之间的关系，将得到的障碍物的最小外接矩形转换到世界坐标系，获得世界坐标系中障碍物信息；在步骤102中，建立的SSD网络模型包括：输入层，用于输入图像；卷积层conv1a，输入图像经过卷积操作输出特征图，通道数为16，group为1，卷积核尺寸为3，卷积层conv1a连接卷积层conv1b；卷积层conv1b，对卷积层conv1a的输出进行卷积操作，输出特征图，通道数为16，group为4，卷积核尺寸为3，卷积层conv1b连接池化层Pooling1；池化层Pooling1，对卷积层conv1b的输出进行池化操作，池化层Pooling1连接卷积层conv2a；卷积层conv2a，对池化层Pooling1的输出进行卷积操作，通道数为32，group为1，卷积核尺寸为3，卷积层conv2a连接卷积层conv2b；卷积层conv2b，对卷积层conv2a的输出进行卷积操作，输出特征图，通道数为32，group为4，卷积核尺寸为3，卷积层conv2b连接池化层Pooling2；池化层Pooling2，对卷积层conv2b的输出进行池化操作，池化层Pooling2连接卷积层conv3a；卷积层conv3a，对池化层Pooling2的输出进行卷积操作，通道数为64，group为1，卷积核尺寸为3，卷积层conv3a连接卷积层conv3b；卷积层conv3b，对卷积层conv3a的输出进行卷积操作，输出特征图，通道数为64，group为4，卷积核尺寸为3，卷积层conv3b连接池化层Pooling3；池化层Pooling3，对卷积层conv3b的输出进行池化操作，池化层Pooling3连接卷积层conv4a；卷积层conv4a，对池化层Pooling3的输出进行卷积操作，通道数为128，group为1，卷积核尺寸为3，卷积层conv4a连接卷积层conv4b；卷积层conv4b，对卷积层conv4a的输出进行卷积操作，输出特征图，通道数为256，group为4，卷积核尺寸为3，卷积层conv4b连接池化层Pooling4；池化层Pooling4，对卷积层conv34的输出进行池化操作，池化层Pooling4连接卷积层conv5a；卷积层conv5a，对池化层Pooling4的输出进行卷积操作，通道数为512，group为1，卷积核尺寸为3，卷积层conv5a连接卷积层conv5b；卷积层conv5b，对卷积层conv5a的输出进行卷积操作，输出特征图，通道数为512，group为4，卷积核尺寸为3，卷积层conv5b连接池化层Pooling5；池化层Pooling5，对卷积层conv5b的输出进行池化操作，池化层Pooling5连接池化层Pooling6；池化层Pooling6，对池化层Pooling5的输出进行池化操作，池化层Pooling6连接池化层Pooling67；卷积层Output1，对卷积层conv4b的输出进行卷积操作，通道数为256，group为1，卷积核尺寸为1，卷积层Output1连接PriorBox层PriorBox1、卷积层Loc1、卷积层Conf1；PriorBox层PriorBox1，用于部署卷积层Output1输出的特征图中的预选框，PriorBox层PriorBox1连接全连接层Mbox_prior；卷积层Loc1，对卷积层Output1的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Loc1连接全连接层Mbox_conf；卷积层Conf1，对卷积层Output1的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Conf1连接全连接层Mbox_loc；卷积层Output2，对卷积层conv5b的输出进行卷积操作，通道数为256，group为1，卷积核尺寸为1，卷积层Output2连接PriorBox层PriorBox2、卷积层Loc2、卷积层Conf2；PriorBox层PriorBox2，用于部署卷积层Output2输出的特征图中的预选框，PriorBox层PriorBox2连接全连接层Mbox_prior；卷积层Loc2，对卷积层Output2的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Loc2连接全连接层Mbox_conf；卷积层Conf2，对卷积层Output2的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Conf2连接全连接层Mbox_loc；卷积层Output3，对池化层Pooling5的输出进行卷积操作，通道数为256，group为1，卷积核尺寸为1，卷积层Output3连接PriorBox层PriorBox3、卷积层Loc3、卷积层Conf3；PriorBox层PriorBox3，用于部署卷积层Output3输出的特征图中的预选框，PriorBox层PriorBox3连接全连接层Mbox_prior；卷积层Loc3，对卷积层Output3的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Loc3连接全连接层Mbox_conf；卷积层Conf3，对卷积层Output3的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Conf3连接全连接层Mbox_loc；卷积层Output4，对池化层Pooling6的输出进行卷积操作，通道数为256，group为1，卷积核尺寸为1，卷积层Output4连接PriorBox层PriorBox4、卷积层Loc4、卷积层Conf4；PriorBox层PriorBox4，用于部署卷积层Output4输出的特征图中的预选框，PriorBox层PriorBox4连接全连接层Mbox_prior；卷积层Loc4，对卷积层Output4的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Loc4连接全连接层Mbox_conf；卷积层Conf4，对卷积层Output4的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Conf4连接全连接层Mbox_loc；卷积层Output5，对池化层Pooling7的输出进行卷积操作，通道数为256，group为1，卷积核尺寸为1，卷积层Output5连接PriorBox层PriorBox5、卷积层Loc5、卷积层Conf5；PriorBox层PriorBox5，用于部署卷积层Output5输出的特征图中的预选框，PriorBox层PriorBox5连接全连接层Mbox_prior；卷积层Loc5，对卷积层Output5的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Loc5连接全连接层Mbox_conf；卷积层Conf5，对卷积层Output5的输出进行卷积操作，通道数为24，group为1，卷积核尺寸为1，卷积层Conf5连接全连接层Mbox_loc；全连接层Mbox_conf，分别连接卷积层Loc1、卷积层Loc2、卷积层Loc3、卷积层Loc4、卷积层Loc5的输出，全连接层Mbox_conf的输出经过reshape层、softmax层、Flatten层处理，连接到输出层DetectionOutput；全连接层Mbox_loc，分别连接卷积层Conf1、卷积层Conf2、卷积层Conf3、卷积层Conf4、卷积层Conf5的输出，连接到输出层DetectionOutput；全连接层Mbox_prior，分别连接PriorBox层PriorBox1、PriorBox层PriorBox2、PriorBox层PriorBox3、PriorBox层PriorBox4、PriorBox层PriorBox5的输出，连接到输出层DetectionOutput；输出层DetectionOutput，用于输出SSD网络模型的检测结果；在步骤101中，标注文件包括车、行人、雪糕桶在图片中的类别和位置信息；数据集按一定比例分成测试集、训练集、验证集，测试集用于训练，测试集用于测试SSD网络模型的检测是否有效，验证集用于监控SSD网络模型的训练效果；在步骤104中，对采集到的图像进行标定时，得到图像坐标系和世界坐标系的单应性矩阵，通过单应性矩阵关联图像坐标系和世界坐标系，实现关联图像坐标系和世界坐标系的坐标之间的相互转换；在步骤103中，对于训练好的SSD网络模型的剪枝包括以下步骤：步骤103-1：将训练好的SSD网络模型的损失函数加入L1正则化约束，以训练好的SSD网络模型的权重为初始值进行网络训练；步骤103-2：将经上一步训练的SSD网络模型的损失函数加入L1正则化约束，以经上一步训练的SSD网络模型的权重为初始值进行网络训练；步骤103-3：循环进行步骤103-2，用于将权重绝对值小的权重置0。

全文数据：

权利要求：

百度查询： 北京茵沃汽车科技有限公司 一种用于自动泊车的障碍物检测方法、系统及介质