本發(fā)明涉及一種停車場停車位檢測方法，具體的為一種基于多傳感器信息融合的停車場停車位檢測方法，可適用于室內(nèi)停車場、室外停車場以及路邊停車場等對于停車位的智能識別。

背景技術(shù)：

近幾年城市車輛的不斷增加，時有發(fā)生駕駛?cè)藛T在停車場停車難、找車難的情況，使停車場的服務(wù)質(zhì)量大打折扣。同時，現(xiàn)有停車場管理系統(tǒng)的使用和維護，以及人員的管理成本較高，系統(tǒng)的穩(wěn)定性也有待加強，如何高效的利用現(xiàn)有的停車位成為了城市發(fā)展中必須要解決的問題。

通過查閱相關(guān)專利和論文，發(fā)現(xiàn)現(xiàn)有車位管理主要有：

通過布設(shè)地感線圈檢測車輛；地感線圈檢測法施工困難，需要挖開路面，容易對路面造成破壞，并且線圈易損壞,難以維護；

利用超聲波、紅外線等傳感手段進行空車位檢測；超聲波、紅外線等檢測手段受天氣、環(huán)境、溫度和氣流變化的影響，不適合于室外停車場及全天候使用，且非車輛物體經(jīng)過檢測區(qū)域時容易產(chǎn)生干擾導(dǎo)致檢測結(jié)果不準確；

基于攝像頭的視覺檢測方法，即對采集的圖像進行分析處理；視頻車輛檢測法受光照環(huán)境影響大，且檢測的準確率與攝像頭的安放位置有關(guān)，是靜止檢測，不能靈活機動，同時，由于需要一定數(shù)量的攝像頭覆蓋停車場，因此成本較高；

基于zigbee無線傳感網(wǎng)絡(luò)和調(diào)制紅外檢測技術(shù)的停車場車位實時檢測；基于zigbee無線傳感網(wǎng)絡(luò)和調(diào)制紅外檢測技術(shù)解決了溫度、天氣的影響，并且采用無線通信的手段避免對地面的損壞，但是它仍然需要在各個車位安裝傳感器，加大停車場的固定資產(chǎn)投入，并且由于要考慮環(huán)境中種種因素對信號檢測、傳輸?shù)母蓴_，無疑加大了技術(shù)難度、提高維護成本。

技術(shù)實現(xiàn)要素：

有鑒于此，為了解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的在于提供一種基于多傳感器信息融合的停車場停車位檢測方法，可適用于室內(nèi)停車場、室外停車場以及路邊停車場等對于停車位的智能識別。

為達到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于多傳感器信息融合的停車場停車位檢測方法，包括如下步驟：

步驟1：將激光雷達、陀螺儀和加速度計安置于移動平臺上，并驅(qū)動移動平臺在停車場移動；

步驟2：在移動平臺移動過程中，獲取激光雷達的檢測數(shù)據(jù)并對檢測數(shù)據(jù)進行預(yù)處理；

步驟3：利用預(yù)處理后的檢測數(shù)據(jù)依次進行特征提取和模式匹配，識別停車場中的局部車位信息；

步驟4：分析陀螺儀和加速度計獲取的數(shù)據(jù)，確定移動平臺的位置和姿態(tài)，通過移動平臺的位姿推算對局部車位信息進行校正；

步驟5：通過對多個局部環(huán)境進行疊加生成停車場空車位的場景地圖。

進一步，所述步驟2中，采用中值濾波法對獲取的激光雷達數(shù)據(jù)(p1,p2…pi)進行濾波預(yù)處理。

進一步，所述步驟3中，對檢測數(shù)據(jù)進行特征提取的方法如下：

步驟31：將采集到距離信息(p1,p2…pi)轉(zhuǎn)換為極坐標(θ1,p1),(θ2,p2)...(θi,pi)的形式，并以極坐標系的坐標原點作為直角坐標系的坐標原點，將極坐標形式轉(zhuǎn)換為直角坐標(x1,y1),(x2,y2)...(xi,yi)的形式；

步驟32：采用給定的閾值theta將數(shù)據(jù)分割成區(qū)域(d1,d2...dm)，其中di是(x1,y1),(x2,y2)...(xi,yi)的集合，數(shù)據(jù)分割的標準是同一區(qū)域內(nèi)相鄰點的間距小于上述給定的閾值theta；

步驟33：將區(qū)域di的起始點(x1,y1)和終止點(xn,yn)相連構(gòu)造輔助線，計算區(qū)域di內(nèi)各點(xi,yi)到該輔助線的距離；

若存在某點到輔助線的距離di大于所給定的閾值β，則認為區(qū)域中存在角點；則重復(fù)步驟32，并以角點為分界線重新對區(qū)域di進行二次分割，直到分割得到的區(qū)域內(nèi)不存在角點為止；

若區(qū)域中不存在角點，則進入步驟34；

步驟34：用最小二乘法將區(qū)域中的點擬合為線段，得到線段集合(l1,l2...ln)；擬合的直線方程為：

y＝a*x+b

其中a為直線的斜率，且

b為直線在y坐標軸上的截距，且

進一步，所述步驟3中，將所得特征與車輛輪廓特征進行模式匹配的方法如下：

步驟35：根據(jù)與角點相鄰的線段集合(l1,l2...ln)，求取相鄰邊之間的夾角α；

步驟36：當夾角α落在設(shè)定的夾角區(qū)間范圍時，則記錄兩相鄰邊相夾的角點ci的位置si，并計算該角點ci到相鄰邊各點原始數(shù)據(jù)的距離，若大于給定的閾值β，則排除相似物體干擾，并根據(jù)該角點ci的位置si在停車場中的位置，確定已停放車輛的停車位置(s1,s2...sn)；反之，若某停車位不存在符合上述特征描述的物體，則認為該停車位空閑。

進一步，所述步驟4中，通過移動平臺的位姿推算對局部車位信息進行校正的方法如下：

步驟41：以(x,y)坐標形式表示移動平臺的位置，但由于移動平臺的位置狀態(tài)是變化的，則在h時刻移動平臺的位置狀態(tài)需要用(xh,yh,θh)進行描述；

其中：xh＝xh-1+vhsin(θh+ωhδt)；

yh＝y(tǒng)h-1+vhcos(θh+ωhδt)；

θh＝θh-1+ωhδt；

其中，δt為h時刻與h-1時刻之間的時間間隔；

步驟42：引入狀態(tài)變量lh，以l^*h＝(xh,yh,vx,vy)來標識小車的初始狀態(tài)；更新后的移動平臺的位置狀態(tài)變量為ph＝(xh,yh)，表示優(yōu)化后的小車的位姿信息；

其中，vx表示移動平臺在x方向上的速度；vy表示移動平臺在y方向上的速度；

采用濾波算法校正車位信息的方法為：

(1)對h-1到h時刻的狀態(tài)進行預(yù)測，得到先驗概率；

(2)根據(jù)觀察量對預(yù)測狀態(tài)進行修正，得到后驗概率，也就是最優(yōu)值；

在這個過程中，每個狀態(tài)可以由高斯分布概率來表示，將其定義為：

其中，p為高斯分布的均值，即最優(yōu)值；σ是高斯分布的方差，也就是噪音；即將一個概率最高的最優(yōu)值近似為最終的精確解；

故據(jù)此設(shè)立狀態(tài)轉(zhuǎn)移方程：

lh＝al^*h+chδt

其中：a為修正矩陣，在勻速變化情況下設(shè)為1；l^*h表示h時刻觀測到的小車位置狀態(tài)，lh表示h時刻的緊鄰時刻的小車位置狀態(tài)；

同時，存在以下映射關(guān)系：

z(ρh)＝(xh²+yh²)

(xh，yh)＝(ρhcosθh,ρhsinθh)

其中：ρh為極坐標下h時刻的極徑；z(ρh)表示h時刻在極坐標下的小車坐標；

設(shè)立噪音狀態(tài)轉(zhuǎn)移方程：

n^*h＝ahn^*h-1ah^t+u

其中：n^*h表示h時刻修正后的噪音狀態(tài)；ah表示h時刻的修正矩陣；ah^t表示h時刻的修正矩陣的轉(zhuǎn)置；

則卡爾曼增益為：

kh＝nhw^t(wnh-w^t+g)^-1

其中：w表示直角坐標向極坐標轉(zhuǎn)化的映射矩陣。w^t為w的轉(zhuǎn)置；kh表示h時刻的卡爾曼增益；

狀態(tài)變量修正方程：

ph＝p^*h+kh(zh-wp^*h)

其中：p^*h表示修正后的狀態(tài)變量；zh表示極坐標下的h時刻的小車坐標；

噪音修正方程：

nh＝(e-khw)nh

其中，e為單位矩陣；噪音變量n用來描述計算誤差；nh為h時刻的噪音變量。

zh＝w*lh

其中，zh表示極坐標下的h時刻的小車坐標。

控制變量c＝(v,ω)，用來記錄小車的實時線速度和角速度；h時刻的控制變量ch＝(vh,ωh)；

噪音增量u，用來修正由于小車狀態(tài)變化導(dǎo)致的噪音的變化；

觀測矩陣g，用來表示實際噪音情況；

步驟43：利用步驟41和步驟42對步驟3中得到的已停放車輛的停車位置(s1,s2...sn)進行校正，得到校正后的停車位信息(s1,s2...sn)，并以校正后的停車位信息作為最終確認的車位信息。

本發(fā)明的有益效果在于：

本發(fā)明基于多傳感器信息融合的停車場停車位檢測方法，可快速精確地識別停車場中的空車位，該方法的優(yōu)點是結(jié)構(gòu)簡單，易于實現(xiàn)，受環(huán)境影響較小，可適用于室內(nèi)停車場、室外停車場以及路邊停車場等多種環(huán)境。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進行說明：

圖1為本發(fā)明基于多傳感器信息融合的停車場停車位檢測方法實施例的流程圖；

圖2為區(qū)域分割的流程圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明作進一步說明，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實施，但所舉實施例不作為對本發(fā)明的限定。

如圖1所示，本實施例基于多傳感器信息融合的停車場停車位檢測方法，包括如下步驟：

步驟1：將激光雷達、陀螺儀和加速度計安置于移動平臺上，并驅(qū)動移動平臺在停車場移動。

步驟2：在移動平臺移動過程中，獲取激光雷達的檢測數(shù)據(jù)并對檢測數(shù)據(jù)進行預(yù)處理；本實施例采用中值濾波法對獲取的激光雷達數(shù)據(jù)(p1,p2…pi)進行濾波預(yù)處理，所取的濾波長度參考值為5，即選取5個周期的數(shù)據(jù)，然后取其中位數(shù)，以消除干擾，增加數(shù)據(jù)的可靠性。

步驟3：利用預(yù)處理后的檢測數(shù)據(jù)依次進行特征提取和模式匹配，識別停車場中的局部車位信息。具體的，本實施例對檢測數(shù)據(jù)進行特征提取的方法如下：

步驟31：將采集到距離信息(p1,p2…pi)轉(zhuǎn)換為極坐標(θ1,p1),(θ2,p2)...(θi,pi)的形式，并以極坐標系的坐標原點作為直角坐標系的坐標原點，將極坐標形式轉(zhuǎn)換為直角坐標(x1,y1),(x2,y2)...(xi,yi)的形式；計算直角坐標系各坐標的坐標值的計算公式如下：

步驟32：采用給定的閾值theta將數(shù)據(jù)分割成區(qū)域(d1,d2...dm)，其中di是(x1,y1),(x2,y2)...(xi,yi)的集合，如圖2所示。其中p＝5mm，表明若激光雷達返回的數(shù)據(jù)小于5mm，認為該數(shù)據(jù)識讀錯誤，故丟棄；dist為兩相鄰點間距離，數(shù)據(jù)分割的標準是同一區(qū)域內(nèi)相鄰點的間距小于上述給定的閾值theta。本實施例的閾值theta＝200mm。

步驟33：對區(qū)域分割后，需要根據(jù)數(shù)據(jù)進行特征提取。在本實施例中，需要獲取的特征包括兩個，一方面需要判斷區(qū)域中是否存在角點，如果存在需要進行標定；另一方面，需要對區(qū)域中的線段進行擬合。

將區(qū)域di的起始點(x1,y1)和終止點(xn,yn)相連構(gòu)造輔助線，計算區(qū)域di內(nèi)各點(xi,yi)到該輔助線的距離；

其中，輔助線通過兩點式構(gòu)造，其直線方程為：

計算區(qū)域di內(nèi)各點(xi,yi)到該輔助線的距離為：

若存在某點到輔助線的距離di大于所給定的閾值β，則認為區(qū)域中存在角點；則重復(fù)步驟32，并以角點為分界線重新對區(qū)域di進行二次分割，直到分割得到的區(qū)域內(nèi)不存在角點為止；同時將到輔助線距離最遠的點標定為角點ci，得到角點集合(c1,c2...cn)。本實施例的閾值β＝150mm。

若區(qū)域中不存在角點，則進入步驟34；

步驟34：用最小二乘法將區(qū)域中的點擬合為線段，得到線段集合(l1,l2...ln)；擬合的直線方程為：

y＝a*x+b

其中a為直線的斜率，且

b為直線在y坐標軸上的截距，且

本實施例將所得特征與車輛輪廓特征進行模式匹配的方法如下：

步驟35：應(yīng)用模式匹配算法將所得特征與車輛輪廓特征進行匹配，識別并得到車輛位置信息?？紤]到停車環(huán)境中，車輛與其他物體相區(qū)別的主要特征表現(xiàn)為車輛輪廓具有近似垂直的相鄰的邊，并且在車燈處存在一定弧度。因此，

根據(jù)與角點相鄰的線段集合(l1,l2...ln)，求取相鄰邊之間的夾角α；假設(shè)兩相鄰邊直線方程分別為y＝a1*x+b1和y＝a2*x+b2，則它們之間的夾角為α為：

步驟36：當夾角α落在設(shè)定的夾角區(qū)間范圍時，則記錄兩相鄰邊相夾的角點ci的位置si，考慮到停車場中可能有立柱或其他具有相似特征的物體的干擾，因此對于干擾進行排除。計算該角點ci到相鄰邊各點原始數(shù)據(jù)的距離，即若大于所給閾值β，表示在角點附近存在一定弧度，因此能夠排除立柱等相似物體。根據(jù)該角點位置在停車場中的位置，確定已停放車輛的停車位置(s1,s2...sn)；反之，若某停車位不存在符合上述特征描述的物體，則認為該停車位空閑。

步驟4：分析陀螺儀和加速度計獲取的數(shù)據(jù)，確定移動平臺的位置和姿態(tài)，通過移動平臺的位姿推算對局部車位信息進行校正。

以激光雷達測得的距離信息、步驟3中識別的車輛位置信息(s1,s2...sn)作為校正輸入，以更新后的在全局坐標中的移動平臺的位置與停車位信息作為輸出。其中，通過位姿推算可獲得每一時刻移動平臺的位姿；將激光雷達測得的距離信息、傳感器之間的相對位置信息與當前時刻的機器人位姿三者相結(jié)合，可以計算出停車位在全局坐標系下的坐標，再用特征提取與車位識別等方法判斷車位狀態(tài)、構(gòu)建環(huán)境地圖并實時更新，從而完成局部的停車位識別與地圖構(gòu)建。

具體的，本實施例通過移動平臺的位姿推算對局部車位信息進行校正的方法如下：

步驟41：以(x,y)坐標形式表示移動平臺的位置，但由于移動平臺的位置狀態(tài)是變化的，則在h時刻移動平臺的位置狀態(tài)需要用(xh,yh,θh)進行描述；

其中：xh＝xh-1+vhsin(θh+ωhδt)；

yh＝y(tǒng)h-1+vhcos(θh+ωhδt)；

θh＝θh-1+ωhδt；

其中，δt為h時刻與h-1時刻之間的時間間隔；

上式僅能大致描述移動平臺的位置，但是隨著時間的推進，誤差會被累計。因此，該方案引入濾波算法消除誤差的影響。

步驟42：引入狀態(tài)變量lh，以l^*h＝(xh,yh,vx,vy)來標識小車的初始狀態(tài)；更新后的移動平臺的位置狀態(tài)變量為ph＝(xh,yh)，表示優(yōu)化后的小車的位姿信息；

其中，vx表示移動平臺在x方向上的速度；vy表示移動平臺在y方向上的速度；

采用濾波算法校正車位信息的方法為：

(1)對h-1到h時刻的狀態(tài)進行預(yù)測，得到先驗概率；

(2)根據(jù)觀察量對預(yù)測狀態(tài)進行修正，得到后驗概率，也就是最優(yōu)值；

在這個過程中，每個狀態(tài)可以由高斯分布概率來表示，將其定義為：

其中，p為高斯分布的均值，即最優(yōu)值；σ是高斯分布的方差，也就是噪音；即將一個概率最高的最優(yōu)值近似為最終的精確解；

故據(jù)此設(shè)立狀態(tài)轉(zhuǎn)移方程：

lh＝al^*h+chδt

其中：a為修正矩陣，在勻速變化情況下設(shè)為1；l^*h表示h時刻觀測到的小車位置狀態(tài)，lh表示h時刻的緊鄰時刻的小車位置狀態(tài)。

同時，存在以下映射關(guān)系：

z(ρh)＝(xh²+yh²)

(xh，yh)＝(ρhcosθh,ρhsinθh)

其中：ρh為極坐標下h時刻的極徑；z(ρh)表示h時刻在極坐標下的小車坐標。

設(shè)立噪音狀態(tài)轉(zhuǎn)移方程：

n^*h＝ahn^*h-1ah^t+u

其中：n^*h表示h時刻修正后的噪音狀態(tài)；ah表示h時刻的修正矩陣。ah^t表示h時刻的修正矩陣的轉(zhuǎn)置。

則卡爾曼增益為：

kh＝nhw^t(wnh-w^t+g)^-1

其中：w表示直角坐標向極坐標轉(zhuǎn)化的映射矩陣。w^t為w的轉(zhuǎn)置；kh表示h時刻的卡爾曼增益。

狀態(tài)變量修正方程：

ph＝p^*h+kh(zh-wp^*h)

其中：p^*h表示修正后的狀態(tài)變量；zh表示極坐標下的h時刻的小車坐標。

噪音修正方程：

nh＝(e-khw)nh

其中，e為單位矩陣；噪音變量n用來描述計算誤差；nh為h時刻的噪音變量。

zh＝w*lh

其中，zh表示極坐標下的h時刻的小車坐標。

控制變量c＝(v,ω)，用來記錄小車的實時線速度和角速度；h時刻的控制變量ch＝(vh,ωh)；

噪音增量u，用來修正由于小車狀態(tài)變化導(dǎo)致的噪音的變化；

觀測矩陣g，用來表示實際噪音情況；

步驟43：利用步驟41和步驟42對步驟3中得到的已停放車輛的停車位置(s1,s2…sn)進行校正，得到校正后的停車位信息(s1,s2…sn)，并以校正后的停車位信息作為最終確認的車位信息。

步驟5：通過對多個局部環(huán)境進行疊加生成停車場空車位的場景地圖。

以上所述實施例僅是為充分說明本發(fā)明而所舉的較佳的實施例，本發(fā)明的保護范圍不限于此。本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明基礎(chǔ)上所作的等同替代或變換，均在本發(fā)明的保護范圍之內(nèi)。本發(fā)明的保護范圍以權(quán)利要求書為準。