技术领域
[0001] 本
发明涉及
汽车领域，尤其涉及车载以太网的自动泊车系统及自动代客泊车方法。
背景技术
[0002] 近几年，随着经济的持续发展和人们
生活质量的不断，人们对汽车的需求量越来越大，导致汽车的保有量逐年攀升，截至2017年底，我国私家车保有量已达1.46亿辆，占到了全部汽车保有量75％，同比增长了18％。可以看出目前私家车体量巨大，且为目前城市的主要交通工具，城市在
停车位的规划上已无法适应汽车数量的快速增长，导致目前城市停车位缺口巨大。城市道路越来越拥挤，驾驶员行车与停车的环境也日益复杂，泊车作为驾驶行为的重要组成，已经成为安全事故高发的驾驶环节。这些高数字的原因是双重的。在一方面，私人和商业建筑提供难以满足车辆对停车位需求，另一方面，城市人口不断增加，导致车辆拥有率的增加进而导致停车位的增加。
[0003] 在现实生活中，由于每个驾驶员停车
水平和驾驶习惯存在差异，导致停车
姿态各不相同，因而经常会出现不规则停车位。在没有标准车位线的辅助下，不规则停车位的边界特征较为复杂，现有的停车位识别技术无法识别出停车位类型，使很多不规则停车位资源难以利用，驾驶技术不太好的驾驶员只好通过巡游来寻找规则或宽敞的停车位，从而造成燃油和时间浪费。因此为了节省资源，迫切需要开发一种全自动泊车系统，让汽车能够自动寻找车位然后停车。
[0004] 现阶段，各大企业、研究机构都在开发自动泊车系统。一种现有自动泊车系统在汽车上安装
激光雷达、车周围安装有超声
传感器以及摄像头，然后根据激光雷达和
超声波传感器、摄像头进行融合从而寻找车位。这种技术
缺陷非常明显，一是采用激光雷达成本较高，而且通过逐渐的寻找车位，倘若
停车场的车位已满，其车位的自我寻找过程中是逐渐围绕着停车场中道路寻找，比较耗时耗
力而且最终作无用功，另外，采用
超声波雷达识别停车位时只能是在空车位的两旁的停车位都有车的情况下才能识别，若停车上某一区域没有车停放时，超声波雷达是无法识别车位的，另外，通过摄像头寻找车位时由于
图像识别技术受到光线的影响，也容易导致识别结果不准确。
[0005] 另外，
现有技术中的自动泊车系统只考虑了本车的自动泊车的情况，而没有考虑当本车在自动泊车时，其它车也在车位附近自动泊车，多辆车在自动泊车时，由于距离较近，双方都会认为是障碍物而停车泊车，导致车辆停放不进去。严重时，可能会造成多车相撞发生安全事故。或者当自动泊车终止时或者断电重启时，其自动泊车能否进行后续的自动泊车动作。
发明内容
[0006] 本发明提供一种车载以太网的自动泊车系统及自动代客泊车方法，能够解决现有技术出现寻找车位耗时以及停车难的技术问题。
[0007] 一种车载以太网的自动泊车系统，包括：位于停车场的停车管理系统、安装于停车场内的多个摄像头，停车场设有多个停车位；
[0008] 通过摄像头对停车位进行拍摄并将拍摄的图像发送给停车管理系统进行车位图像识别，从而获取停车场的车位分布；
[0009] 停车管理系统包括
图像处理模
块，图像处理模块被配置为用于处理来自停车场内的摄像头拍摄的图片进行处理并识别出车位是否停放车辆或车位标记或车牌；
[0010] 所述图像处理模块包括第一图像识别方法，第一图像识别方法包括：对获取的车位图像进行划分为多个小块，对分块后的多个小块图像采用可校正背景的背景差分法获取分块后存在目标的小块并求出具有目标的小块的数量，根据具有目标的小块的总数量占据总分块数的比值判断车位是否有车。
[0011] 一种车载以太网的自动泊车系统，其进一步地，所述图像处理模块还包括第二图像识别方法，第二图像识别方法包括：对获取的车位图像进行分块，提取图像块灰度共生矩阵中的纹理特征并组成
特征向量，再对特征向量进行分类训练从而获得分类器，利用分类器对分块图像进行分类并根据分类后的分块图像数量占据总分块数的比例判断车位是否有车；
[0012] 获取第一图像识别方法与第二图像识别方法的识别结果的交集。
[0013] 一种车载以太网的自动泊车系统，其进一步地，还包括：安装于车上的自动泊车装置，自动泊车装置包括：中央
控制器，安装在
车身上的第一传感器模块、第二传感器模块、执行机构模块，其中，第一传感器模块通过车载以太网总线与中央控制器相连接，第二传感器模块与执行机构通过CAN总线与中央控制器相连接；
[0014] 执行机构模块被配置于根据来自中央控制器的指令操控车辆进行运动；
[0015] 中央控制器至少包括泊车控
制模块、非易失性存储备份模块，其中，泊车
控制模块，被配置为用于对车辆的移动进行控制；
[0016] 非易失性存储备份模块，被配置为用于对泊车装置产生的预设时间段内数据进行备份。
[0017] 一种车载以太网的自动泊车系统，其进一步地，还包括智能终端，智能终端包括智能手机、
平板电脑、可穿戴设备等中的一种或多种；
[0018] 智能终端通过无线的方式与停车管理系统、车辆进行通信，智能终端被配置为告知用户其目的地的停车场的车位分布、让用户选择停车场中停车
位置以及当车辆自动泊车完成后告知用户汽车停放的位置，或根据用户需求，让车辆开到用户
指定的待客区域。
[0019] 一种车载以太网的自动泊车系统，其进一步地，所述第一图像识别方法包括：背景差分法中的背景模型建立包括离线背景模型和在线背景模型，利用在线背景模型对离线背景模型进行修正；
[0020] 所述分块后的图像中的
像素点服从单高斯分布，对分块后每块图像进行求解，获取该块图像中所有像素点的中值并用该块像素点的中值作为该块图像的像素点值；
[0021] 将每个停车位分为四块面积相同的区域，定义在车位存在目标的条件包括：
[0022]
[0023] 其中，G(w,v)表示车位存在目标的函数，(w,v)表示当前车位坐标，m为分块数量的总和，aγ表示车位第γ个区域的目标小块的数量，G(w，v)＝1时，表示该车位有车辆停放，G(w，v)＝0时，表示该车位无汽车停放；
[0024] a1,a2,a3,a4分别表示第一块、第二块、第三块、第四块的划分区域中存在目标小块的总数，C1，C2，C3表示预设的
阈值。
[0025] 一种车载以太网的自动泊车系统，其进一步地，所述第二车位图像识别的纹理特征至少包括
能量特征、
对比度、熵；
[0026] 能量特征计算公式：
[0027]
[0028] 式中，ASM是灰度共生矩阵元素值的平方和
[0029] 对比度的计算公式如下:
[0030]
[0031] 熵的计算公式如下：
[0032]
[0033] P(i，j，d，θ)为灰度共生矩阵，其值表示一个灰度为i，另一个灰度为j，两个相距为d的像素对在对
角方向上出现的次数，θ分别取值为0°、45°、90°、135°。
[0034] 一种车载以太网的自动泊车系统，其进一步地，所述车位图像识别还包括：根据所述交集所采用多个摄像头与停车区域中心的距离，利用预设调制函数获取摄像头与停车区域中心之间的距离的
置信度Pnorm，计算公式如下：
[0035]
[0036] x表示经过标准化处理后摄像头与停车区域中心之间的距离，-1≤x≤1，k表示可调节参数。
[0037] 一种车载以太网的自动泊车系统，其进一步地，所述第一传感器模块用于获取车辆周围的环境信息并将环境信息通过车载以太网总线发送给中央控制器进行
数据处理；
[0038] 所述第二传感器模块用于根据车辆的初始
位姿并通过
里程计和/或惯性传感器捕获的信息计算出每一时刻位姿相对于上一时刻位姿的距离以及方向角的变化，从而实现位姿的实时估计；
[0039] 所述第一传感器模块包括
定位传感器，摄像头、激光雷达、毫米波雷达、超声波雷达、探地雷达中的一种或多种；
[0040] 所述第二传感器模块包括里程计、惯性传感器中的一种或多种。
[0041] 一种车载以太网的自动泊车系统，其进一步地，自动泊车装置还包括用于与用户进行互动交流的
人机交互模块和用于与外界进行无线通信连接的T-box模块；
[0042] T-box模块通过车载以太网总线与
中央处理器相连接，T-box模块包括采用4G、5G、Wifi、DSRC的通信方式与外界进行通信；
[0043] 人机交互模块通过车载以太网总线与中央处理器相连接，人机交互模块用于与用户进行互动包括信息的输入与输出。
[0044] 一种车载以太网的自动泊车系统，其进一步地，所述泊车控制模块包括路径规划子模块、路径
跟踪子模块、车辆移动轨迹控制字模块，其中，路径规划子模块，被配置为根据车辆当前位置与距离停车场的停车位位置，调用地图模块选择最优到达停车位位置的行车路径；
[0045] 路径跟踪子模块，被配置为依据行车路径，依据第一传感器、第二传感器提供的数据，实时计算当前车辆所处的位置；
[0046] 车辆移动轨迹控制子模块，被配置为依据行车路径和车辆所处位置进行计算到达下一位置所需控制参数。
[0047] 所述中央控制器还包括确认车位模块、时间同步模块，
[0048] 确认车位模块被配置为对空余车位、当前车辆即将要停放的车位以及车辆已经完成泊车后的车位进行确认；
[0049] 时间同步模块被配置为对各个功能模块的时间进行同步。
[0050] 一种车载以太网的自动代客泊车方法，包括上述的任一项车载以太网的自动泊车系统；
[0051] 还包括获取停车场内的空余停车位和控制车辆按照计算的泊车路径停入车位；
[0052] 所述控制车辆按照计算的泊车路径停入车位包括：
[0053] 步骤S4，根据当前车辆与所选择的停车位的环境信息，计算泊车路径，控制执行机构将车辆开进泊车位置；
[0054] 所述步骤S4具体包括：
[0055] 步骤S43，在车辆移动过程中，通过超声波雷达或毫米波雷达或摄像头对障碍物进行检测，识别是否存在障碍物并判断障碍物的类型；
[0056] 对识别的障碍物进行分类处理，所述障碍物分为人、车、其它，依据障碍物的类型选择匹配的预设泊车方案移动车辆至泊车车位；
[0057] 所述预设泊车方案包括对出现在泊车路径范围的障碍物进行避让；
[0058] 障碍物的识别采用自适应增强
算法，所述自适应增强算法通过构造一个基于Harr特征提取的弱分类器级联的强分类器，所述强分类器包括五个弱分类器级联。
[0059] 一种车载以太网的自动代客泊车方法，进一步地，在步骤S4之前，还包括：步骤S3，当前车辆接收到泊车位置时，通过中央控制器自动选择最优路径并依据第一传感器模块、第二传感器模块提供的信息进行实时融合后实时对当前车辆的轨迹进行追踪直至找到泊车车位；
[0060] 步骤S3具体包括：
[0061] 步骤S31，中央控制器接收到有空余泊车位的信息时，通过高
精度地图获知停车的车位坐标，然后确定当前位置和终点位置，选择最优行车路径；
[0062] 步骤S32，根据里程计、惯性导航传感器计算车辆的实时位置1，通过摄像头获取沿路标记，通过标记再次获取车辆的实时位置2,通过实时位置2对实时位置1进行校正；
[0063] 步骤S33，沿着规划路径达到预设泊车位置，通过车辆上的摄像头对泊车位置的标记进行识别并获取标记信息，将标记信息发送至中央控制器。
[0064] 一种车载以太网的自动代客泊车方法，进一步地，所述预设泊车方案具体包括：
[0065] 当识别的障碍物是人时，控制车辆
制动部件停车，待人离开时再继续移动车辆泊车以停入车位；
[0066] 当识别的障碍物是车时，根据泊车轨迹推算是否会存在碰撞，若不存在碰撞，则继续进行泊车；若存在碰撞，则立即控制车辆进行制动停车，判断该车辆的泊车位置是否为本车的泊车位置，若不是本车的泊车位置，待该车辆泊车入位后再进行本车泊车，若该车辆的泊车位置与本车相同，则启动本车进行前进或后退寻找下一个泊车位置将车辆移动入位；
[0067] 当识别的障碍物是其它类别时，根据泊车轨迹推算是否会存在碰撞，若不存在碰撞，则继续进行泊车；若存碰撞，则立即终止当前泊车过程，重新寻找一个泊车位置并将车辆移动入位。
[0068] 一种车载以太网的自动代客泊车方法，进一步地，包括：在步骤S4之后，还包括步骤S5,当车辆按照预设的泊车路径完成泊车入位时，通过停车位区域的摄像头对停放的汽车进行识别并将识别结果发送给车位管理系统，同时告知用户汽车的停放位置；
[0069] 所述步骤S5具体包括：
[0070] S51，通过停车位区域的摄像头对停放的汽车进行拍摄并获取图像，对车辆图像进行分割后提取车牌图像并对车牌号进行识别，将车牌号与该位置对应的车位标记作为第二车位标记识别结果发送给停车管理系统；
[0071] 通过摄像头拍摄泊车位置的车位标记，对车位标记并获取第一车位标记识别结果，将第一车位标记识别结果发送给停车管理系统；
[0072] S52，停车管理系统将来自于第一车位标记识别结果与第二车位标记识别结果进行对比分析，若两者结果相同，则确认识别信息正确，若识别结果不同，则系统进行报警，提取当前原始图片发送给预设的管理员进行人工分析处理后录入正确信息。
[0073] 一种车载以太网的自动代客泊车方法，进一步地，所述步骤S51中，车牌号的识别具体包括以下步骤：
[0074] 步骤S511，获取车辆图片并将图片转化为灰度图；
[0075] 步骤S512，通过坎尼边缘算法和拉普拉斯算子边缘算法分别对图片的边缘进行处理并将坎尼边缘算法处理的图片边缘与拉普拉斯算子边缘算法处理的图片边缘进行融合处理并获得最终的图片边缘；
[0076] 步骤S513，对车牌区域进行检测并对车牌区域的角度进行校正；
[0077] 步骤S514，对图片尺寸进行标准化并去除车牌区域的边缘噪音，然后对车牌区域进行二值化处理；
[0078] 步骤S515，对车牌区域进行识别并提取车牌区域的字符；
[0079] 步骤S516，对识别的车牌字符进行检查，检查车牌字符是否为车牌
数据库中的字符或识别的车牌字符是否符合车牌编码规则，若识别的车牌字符为车牌数据库中的字符或者识别的车牌字符合车牌编码规则，则获取识别结果；若识别的车牌字符非车牌数据库中的字符或者识别的车牌字符不符合车牌编码规则，则将该车牌图片通过人工进行车牌识别并将识别结果进行录入停车管理系统。
[0080] 有益效果：
[0081] 1.本发明中提供自动泊车系统，通过利用停车场本身的摄像头拍摄停车场的图像运行图像识别算法进行识别，且在识别过程中，对图像进行多种不同的预处理，在识别的结果中运行算法相互校
正交集以及利用调制函数计算摄像头与停车位之间的距离的置信度从而获取准确的车位分布，从而通过停车管理系统告知能够停的车位，避免车辆在停车过程中需要寻找车位的繁琐过程。
[0082] 2.在自动泊车过程中，能够利用车上的传感器进行识别周围的障碍物，并根据障碍物的类型进行自动避障和调整泊车方案，避免在自动泊车过程中出现的干扰问题。
[0083] 3.在泊车入位后，除了利用摄像头对车位进行拍摄外，还对车位的标记和车牌号进行识别，再次确认车子停放位置的正确性，避免在相邻车位的由于误差导致停车位的位置出错。
[0084] 4.本发明技术方案中的非易失性存储备份模块，能够及时对泊车装置产生的预设时间段内的数据进行备份，当自动泊车系统由于突发事件等原因断电或者熄火后能够及时的恢复泊车数据，确保泊车过程中持续。
附图说明
[0085] 以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围。
[0086] 图1为本发明一
实施例中自动泊车系统的结构示意图。
[0087] 图2为本发明一实施例中泊车控制模块的结构示意图。
[0088] 图3为本发明一实施例中非易失性存储备份模块的分区示意图。
[0089] 图4为本发明一实施例中自动泊车的流程示意图。
[0090] 图5为本发明一实施例中通过预设的遮光罩选择需要处理图片区域的示意图，图5a表示预设具有一定形状的遮光罩，图5b表示拍摄的停车场图片示意图，图5c表示用预设的遮光罩选择需要处理的图片区域，黑色部分位于遮光罩之外。
[0091] 图6为本发明一实施例中使用单应性矩阵对拍摄的图像进行视点变换的示意图：图6a为初始摄像头拍摄的图片，图6b为经过单应性矩阵转化视角后的图片。
[0092] 图7为本发明一实施例中通过角度变化对图像进行校正的示意图。
[0093] 图8本发明一实施例中停车场区域的多个摄像头拍摄识别的停车目标进行融合成停车区域分布图，图8a表示目前停车区域的车辆分布，图8b表示三个摄像头拍摄的图片经过识别后显示有车位的停车区域，图8c表示通过将三个摄像头拍摄的图片经过识别后显示的车位的停车区域进行融合后的停车区域的车辆分布。
[0094] 图9为本发明一实施例中自适应增强算法中采用五个弱分类器级联的示意图。
[0095] 图10为本发明一实施例中利用自适应增强算法对障碍物进行识别的过程示意图。
[0096] 图11本发明一实施例中第一图像识别方法中采用对车位进行四等分的划分示意图。
具体实施方式
[0097] 为了对本文的技术特征、目的和效果有更加清楚的理解，现对照附图1至11说明本发明的具体实施方式，在各图中相同的标号表示相同的部分。为使图面简洁，各图中的示意性地表示出了与本发明相关部分，而并不代表其作为产品的实际结构。另外，为使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。
[0098] 关于控制系统，功能模块、应用程序(APP)本领域技术人员熟知的是，其可以采用任何适当的形式，既可以是
硬件也可以是
软件，既可以是离散设置的多个功能模块，也可以是集成到一个硬件上的多个功能单元。作为最简单的形式，所述控制系统可以是控制器，例如组合逻辑控制器、微程序控制器等，只要能够实现本
申请描述的操作即可。当然，控制系统也可以作为不同的模块集成到一个物理设备上，这些都不偏离本发明的基本原理和保护范围。
[0099] 本发明中“连接”，即可包括直接连接、也可以包括间接连接、通信连接、电连接，特别说明除外。
[0100] 本文中所使用的术语仅为了描述特定实施方案的目的并且不旨在限制本公开。如本文中所使用地，单数形式“一个”、“一种”、以及“该”旨在也包括复数形式，除非上下文明确地另作规定。还将理解的是，当在
说明书中使用时，术语“包括”和/或“包含”是指存在有所陈述的特征、数值、步骤、操作、元件和/或组分，但是并不排除存在有或额外增加一个或多个其它的特征、数值、步骤、操作、元件、组分和/或其组成的群组。作为在本文中所使用的，术语“和/或”包括列举的相关项的一个或多个的任何和全部的组合
[0101] 应当理解，此处所使用的术语“车辆”或“车辆的”或其它类似术语一般包括
机动车辆，例如包括运动型
多用途车辆(SUV)、公共汽车、
卡车、各种商用车辆的乘用汽车，包括各种舟艇、
船舶的船只，航空器等，并且包括混合动力车辆、
电动车辆、可插式混合动力电动车辆、氢动力车辆以及其它替代性
燃料车辆(例如源于非石油的
能源的燃料)。正如此处所提到的，混合动力车辆是具有两种或更多动力源的车辆，例如
汽油动力和电力动力两者的车辆。
[0102] 此外，本公开的控制器可被具体化为计算机可读介质上的非瞬态计算机可读介质，该计算机可读介质包含由处理器、控制器或类似物执行的可执行程序指令。计算机可读介质的示例包括，但不限于，ROM、RAM、光盘(CD)-ROM、磁带、
软盘、闪存
驱动器、
智能卡和光学数据存储设备。计算机可读记录介质也可分布在通过网络耦合的
计算机系统中，使得计算机可读介质例如通过远程信息处理
服务器或控制器区域网络(CAN)或车载以太网以分布式方式存储和执行。
[0103] 实施例1：
[0104] 本实施提供一种车载以太网的自动泊车系统，具体参见图1至图2，图1为本实施例中自动泊车系统的结构示意图，图2为本实施例中泊车控制模块的结构示意图。自动泊车系统包括：安装于车上的泊车装置，泊车装置包括中央控制器、执行机构、第一传感器模块、人机交互模块、第二传感器模块、T-box(Telematics BOX)模块，其中，人机交互模块、第一传感器模块、人机交互模块通过车载以太网总线与中央控制器相连接，第二传感器模块、执行机构通过CAN总线与中央控制器相连接。
[0105] 中央控制器，被配置为用于对来自各功能模块的传输数据进行计算处理以及系统各功能模块的调用。
[0106] 中央控制器至少包括泊车控制模块、确认车位模块、非易失性存储备份模块、数据处理模块，其中，泊车控制模块，被配置为用于对车辆的移动进行控制，如：控制执行机构进行车辆的转向进行前进或后退，控制执行机构对车辆进行制动停车；
[0107] 确认车位模块，被配置为对空余车位、当前车辆即将要停放的车位以及车辆已经完成泊车后的车位进行确认；
[0108] 非易失性存储备份模块，被配置为用于对泊车装置产生的预设时间段内的数据进行备份；
[0109] 具体地，非易失性存储备份模块可以包括
相变存储器、
磁性存储器、
阻变存储器中的一种；
[0110] 具体地，预设时间段可以为10s,20s,30s,1min，2min，3min，5min内的数据进行备份，防止车辆发生故障或者突然熄火后造成的数据丢失，导致车辆需要重新获取新的数据进行计划泊车路径等等。通过采用备份系统，当车辆断电后或中央控制器发生故障后，能够及时的通过重启来恢复当前数据。具体地，将非易失性存储备份模块分给多个不同的子块，每个子块分为多个临时存储区。参见图3，图3为非易失性存储备份模块的分区示意图，将非易失性存储备份模块的存储空间分为M个子块(M>＝1)，每个子块设有N(N>＝1)个临时存储区，其中，为了叙述方便，对每个临时分区进行角标表示，Bij表示第i个子块下的第j个临时存储区。根据预设时间，中央控制器会按照预设的
频率采集数据存储到相应的临时分区，存储的顺序按照时间顺序进行排列，当存储空间满时，后采集的数据将原来的早期的数据进行
覆盖，如此循环往复进行。防止泊车系统发生故障后或断电后造成数据丢失，当车辆启动后需要重新进行泊车路径规划等一系列问题。通过采用非易失性存储备份模块后，当系统出现故障或断电后，通过调用备份数据，对断电或发生故障前的泊车装置进行还原，恢复当前泊车，而无需重新计算。
[0111] 数据处理模块，被配置为用于对接收到的数据通过调用内置算法进行计算，数据来源包括第一传感器模块、第二传感器模块、T-box、人机交互的数据。
[0112] 具体地，可以对接收到的图像进行分析处理，识别车位。或根据第一传感器模块和第二传感器器模块的数据进行分析后进行数据融合，相互校正，提高准确性。
[0113] 第一传感器模块包括超声波雷达传感器、摄像头、定位传感器、探地雷达传感器、毫米波雷达传感器，其中，摄像头用于实时的拍摄汽车周围环境的图像，根据需要，可以安装多个摄像头，定位传感器用于当前车辆的定位，超声波雷达传感器或毫米波雷达用于检测当前的障碍物或测量障碍物与车之间的间距。探地雷达传感器用于扫描停车区域下面的三维
地貌，用来辅助定位。毫米波雷达传感器还用于盲区检测。
[0114] 摄像头包括单目摄像头、多目摄像头、鱼眼摄像头、多角度摄像头中的一种或多种；
[0115] 定位传感器包括GPS芯片定位、北斗芯片定位或者他们之间的结合。
[0116] 执行机构，被配置为用于控制汽车的转向、前进、后退、停车等操作，执行模块包括转向执行机构、前进和后退机构、制动机构；
[0117] 第二传感器模块包括惯性传感器和里程计，通过惯性传感器和里程计获取的数据进行融合，实时计算车辆当前的位置。
[0118] 人机交互模块，被配置为与人进行信息的交互，其包括显示模块、蜂鸣器、控制按钮，显示模块用于将需要输出给人看的信息进行显示，蜂鸣器被配置为用于根据来自中央控制器的报警
信号来发出报警音进行报警提示；控制按钮被配置为用于输入信息或操控车辆的传感器，控制按钮包括触摸虚拟按钮或实体按钮。控制按钮能够用于人工交互系统的操作，可以通过操作按钮，选择相应的功能或者输入相应的信息。
[0119] 自动泊车装置及系统还包括T-box,被配置为与外接设备进行无线连接通信，进行数据的发送与接收，具体地，T-box与中央控制器通过车载以太网进行连接，T-box采用4G、Wifi、5G通信方式与外界进行通信。
[0120] 本实施提供一种车载以太网的自动泊车系统，还包括停车管理系统和停车场，停车场被划分多个停车区域，每个停车区域都安装有多个摄像头、停车区域划分有多个停车位，每个停车位上都设有标记，其标记可以为数字、字符、二维码或者其它传感器标记，如RFID传感器，通过安装区域的摄像头对该区域进行拍照并进行图像识别，获取停车位上的标记。
[0121] 停车管理系统包括图像处理模块、地图管理模块、车位管理模块，其中，图像处理模块被配置为用于处理来自停车场内的摄像头拍摄的图片进行处理并识别出车位是否停放车辆、识别出车道标记、车牌；
[0122] 车位管理模块，被配置为根据图像处理模块传送的车辆检测结果以及根据车辆发送停放的位置信息来对停车场内的车位信息进行管理和控制；
[0123] 地图管理模块，被配置为用于储存有停车场内的高精度地图，包括车道标记、停车内的构筑物、路障等详细信息。
[0124] 本实施提供一种车载以太网的自动泊车系统，还包括智能终端，智能终端包括智能手机、平板电脑、可穿戴设备等中的一种或多种；
[0125] 智能终端通过无线的方式与停车管理系统、车辆进行通信，智能终端被配置为告知用户其目的地的停车场的车位分布、让用户选择该停哪个停车场以及当车辆自动泊车完成后告知用户汽车停放的位置，以便用户知晓该汽车停放位置。或根据用户需求，让车辆开到用户指定的待客区域。
[0126] 实施例2
[0127] 本发明提供了一种自动代客泊车方法，包括以下步骤：步骤S1,通过设置于停车区域的多个摄像头对停车区域进行拍摄并将获取的图像发送给车位管理系统进行识别后，获取停车场的车位分布信息；
[0128] 图像的识别方法包括第一车位识别方法和第二车位识别方法，
[0129] 车位图像识别包括第一图像识别方法和第二图像识别方法，获取第一图像识别方法与第二图像识别方法的识别结果的交集；
[0130] 交集定义为通过第一图像识别方法获取的车位分布结果与通过第二图像识别方法获得的车位分布结果中具有相同的车位识别结果组成的点集；
[0131] 第一图像识别方法包括：对获取的车位图像进行划分为多个小块，对分块后的多个小块图像采用可校正背景的背景差分法获取分块后存在目标的小块并求出具有目标的小块的数量，根据具有目标的小块的数量占据总分块数的比值判断车位是否有车；
[0132] 第二图像识别方法包括：对获取的车位图像进行分块，提取图像块灰度共生矩阵中的纹理特征并组成特征向量，再对特征向量进行分类训练从而获得分类器，利用分类器对分块图像进行分类并根据分类后的分块图像数量占据总分块数的比例判断车位是否有车。
[0133] 步骤S2,车位管理系统根据当前车辆的位置，自动选择匹配的一个或多个可停车的空余车位的位置发送给当前车辆；
[0134] 步骤S3,当前车辆接收到泊车位置时，通过中央控制器自动选择最优路径并依据第一传感器模块、第二传感器模块提供的信息进行实时融合后实时对当前车辆的轨迹进行追踪直至找到泊车车位；
[0135] 步骤S4,根据当前车辆与所选择的停车位的环境信息，计算泊车路径，控制执行机构将车辆开进泊车位置；
[0136] 步骤S5,通过停车位区域的摄像头对停放的汽车进行识别并将识别结果发送给车位管理系统并告知用户汽车的停放位置。
[0137] 所述步骤S1中图像识别具体步骤包括：
[0138] 在对摄像头获取的图像进行分块前需要对图像进行预处理，所述图像预处理的步骤包括：
[0139] S11，通过摄像头拍摄多张图片，通过对拍摄的图片采用遮光罩选择感兴趣的图像区域，并使用对象检测算法为每个检测到的对象生成边界框作为输出；将获取的图像对应的摄像头的观测视角根据摄像头的安装位置参数进行视角变化后转化为公共平面；
[0140] 为了消除可能用这些摄像机监视的停车场其他区域的目标，在图片处理时采用遮光罩(mask)的提取方法选择感兴趣的目标区域，具体参见图5，图5为通过预设的遮光罩选择需要处理图片区域的示意图，图5a表示预设具有一定形状的遮光罩，图5b表示拍摄的停车场图片示意图，图5c表示用预设的遮光罩选择需要处理的图片区域，黑色部分位于遮光罩之外，这部分图片无须处理，只需处理遮光罩内的图片。
[0141] 感兴趣的目标区域是停车位集中的区域，例如：在对图片进行处理的过程中，可以根据图片拍摄的视角，确定遮光罩的多个坐标点，在坐标点区域的图像即为感兴趣的区域，其余区域忽略掉。
[0142] S12，从每个摄像头的视点平面获得每个检测到的车辆的边界框，通过对该区域使用单应性变换，将从每个摄像机的平面检测到的对象的位置改变为公共平面；使用来自每个摄像头视点中的多个点和从俯视图提取的图像中的每个点的对应关系，获得每个摄像机的单应矩阵H；
[0143] 具体地，使用来自每个摄像头视点的多个点(如3角点，4个角点)和从俯视图提取的图像中的每个点的对应关系，获得每个摄像机i的单应矩阵(初始化块所需的)Hi。具体地，可以从卫星地图轻松获取顶视图。对于所有摄像机，没有必要在每个摄像机视点中选择相同的点，但是每个
选定的点必须与公共地平面的图像中的一个点相关联。根据单应性的定义，矩阵的尺寸为3×3。如图6显示了使用单应性矩阵对拍摄的图像进行视点变化的示意图。图6a为初始摄像头拍摄的图片，图6b为经过单应性矩阵转化视角的后图片。
[0144] 具体地，生成这些图像仅用于说明该过程，为节省数据的计算量，在本实施中，单应性变换仅应用于每个边界框的中点，对计算进行优化。该块的输出对于每个检测到的车辆是一个点。
[0145] S13，获取上一阶段的图片，对投影点的位置进行校正，投影点的位置进行校正包括使用停车位的平行线和摄像机视点之间的角度。
[0146] 具体地，图7为通过角度变化对图像进行校正的示意图。在图7中，A对应于基准中点检测投影，B对应于校正后的最终位置，是停车线与摄像机视图之间的角度，W/2是车辆的一半长度(平均值)。尽管参考了车辆的长度，W与边界框的宽度相关联。
[0147] 第一图像识别方法包括：
[0148] 将获取的车位图像进行分块，分块数量原则越多越好，数量越多计算结果越精确，但会增加较多的计算量，如可以将标准车位大小分为标准m个小块，如形状可以为长方形、正方形、多边形等，m个小块的面积可以相等也可以不等，优先的，m个小块的面积相等。
[0149] 针对每一个小块，首先建立离线模型，在离线模型中，认为其中的每一个像素点都服从单高斯分布，计算公式为：
[0150]
[0151] Iμ，Iσ，分别表示每个
背景像素在(x，y)坐标处的每个
颜色分量的均值和方差，It表示在时间t当前观察到的颜色分量，Nf表示用于训练背景模型的
帧数。
[0152] 其次，建立在线背景模型，利用在线背景模型对离线背景模型进行校正，以满足不断变化的环境，如光线、雨雾等变化对图像背景的影响。
[0153] 用递归形式的非平稳高斯分布来建立在线背景模型，包括：
[0154] μt+1＝αμt+(1-α)zt+1
[0155]
[0156] 其中，μt+1，σ2t+1分别表示新的均值和新方差，zt+1表示新检测到的强度。α表示背景强度的更新率。具体地，利用μt+1，σ2t+1分别不断取代离线背景的均值和方差。
[0157] 求解每个小块所有像素点的均值和方法，然后对求出每个小块的所有像素点组成的数据集的中值，并以中值代表该小块像素点的当前背景值，而忽略其它值。
[0158] 同理，对于每个小块所有像素点的前景值，以中值代表该小块像素点的当前景值；
[0159] 设f(x，y)表示背景值，F(x，y)表示当前景值，
[0160] 则每个小块存在目标的条件定义为：
[0161]
[0162] 式中，l表示第l个小块，E为定义的阈值，当B(l)为1时，则认为该小块存在目标，当B(l)为0时，则认为该小块不存在目标。
[0163] 将每个停车位的位置划分为四个相等的区域A1，A2，A3，A4，由于车位为长方形，划分方式以长方形中心画出平行于两边的平行线，参见图11，每个区域经过图像识别后具有小目标的条件的数量分别为a1，a2，a3，a4。
[0164] 由于汽车通常都是左右对称的结构，在进行识别时，左边的特征数量应该与右边的相差不大，如果相差过大，则认为识别结果出现错误。
[0165] 为此定义车位是否有车的识别结果包括：根据目标小块的数量占据总分块数的比值，为了使结果更精确，同时还应该考虑分块之间的具有小目标的条件数量的差异；
[0166]
[0167] 其中，G(w，v)表示车位存在目标的函数，(w，v)表示当前车位坐标，m为分块数量的总和，G(w，v)＝1时，表示该车位有车辆停放，G(w，v)＝0时，表示该车位无汽车停放；a1，a2，a3，a4分别表示第一块、第二块、第三块、第四块的划分区域中存在小目标的总数，C1，C2，C3表示预设的阈值。
[0168] 第二图像识别方法包括：对获取的车位图像进行分块，提取图像块灰度共生矩阵中的纹理特征并组成特征向量，再对特征向量进行分类训练从而获得分类器，利用分类器对分块图像进行分类并根据分类后的分块图像数量占据总分块数的比例判断车位是否有车；
[0169] 纹理特征至少包括能量特征、对比度、熵；
[0170] 能量特征计算公式：
[0171]
[0172] 式中，ASM是灰度共生矩阵元素值的平方和
[0173] 对比度的计算公式如下:
[0174]
[0175] 熵的计算公式如下：
[0176]
[0177] P(i，j，d，θ)为灰度共生矩阵，其值表示一个灰度为i，另一个灰度为j，两个相距为d的像素对在角方向上出现的次数，θ分别取值为0度、45度、90度、135度。
[0178] 为了检测车位是否停放有车辆，具体步骤如下：
[0179] 步骤b1，对每一个监控摄像头获取的图像进行多块网格块划分，如128*128等，将有车身纹理信息的图像块标定为1，其余图像块标定为0；
[0180] 步骤b2，求出每一块对应的灰度共生矩阵P(i，j，d，θ)，再计算每一块的能量、对比度、熵，并将3个参数构成一个特征向量,d取值为0.1～2中的任意数，如d＝0.1或d＝0.2，或d＝0.5,或d＝1，θ取值分别为0°、45°、90°、135°；
[0181] 步骤b3,采用
支持向量机(SVM，Support Vector Machine)对特征向量进行分类训练，获得相应分类器；
[0182] 步骤b4,对测试的图像进行128*128网格块划分，用训练好的分类器对每一块进行分类，并将标定为1的块进行连接，去除孤立的小块，计算标定为1的块占整个车位的比率；
[0183] Q＝QN/SN
[0184] 其中，Q为图像块标定为1的比率，QN为图像块标定为1的总数量，SN为车位区域块总数量。当Q大于某一阈值T后，即判断车位有车，反之车位无车。根据训练的样本获得阈值大小，阈值T＝0.2～0.4。
[0185] 本实施例提供了应用于车辆的自动泊车方法，还包括以下步骤：
[0186] S14，通过建立停车位的位置坐标，将识别出的车位自动与位置坐标匹配，分别获取每个摄像头识别的目标车辆对应的位置坐标；
[0187] S15，对多个摄像头获得的位置坐标进行数据融合并获取车位分布。
[0188] 车位图像识别包括第一图像识别方法和第二图像识别方法，获取第一图像识别方法与第二图像识别方法的识别结果的交集，因为在实际识别过程中，单一的识别方法会产生误差，为了保证识别结果的准确性，本实施例中，取二者识别结果的交集，交集中包括有车位和没有车位的识别结果。
[0189] 通过利用获取第一图像识别方法与第二图像识别方法的识别结果的并集，利用并集减去交集，就能够获得两种方法识别结果的差异，尽管有差异的地方的识别结果并不计算在内，但是由于摄像头存在多个，多个摄像头拍摄的图片存在重叠，重叠的优先在于即使在一个摄像头中通过两种方法识别后获得的差集的车位并不计算在内，但是其可能在另外的摄像头通过两种方法识别后获得交集内；
[0190] 具体地，需要考虑停车位置坐标与摄像头之间的距离关系，本实施例中，通过调制函数来选择停车位置坐标与摄像头之间的距离，从中选取准确性高的区域作为车位的识别结果；
[0191] 根据所述交集所采用多个摄像头与停车区域中心的距离，利用预设调制函数获取摄像头与停车区域中心之间的距离的置信度Pnorm，计算公式如下：
[0192]
[0193] 上式中，x表示经过标准化处理后摄像头与停车区域中心之间的距离，-1≤x≤1，k表示可调节参数。
[0194] 通过使用标准化的曲线函数来评估摄像头位置与其能够检测到的车位之间的准确性，例如：检测被加权的摄像头被放置在点x＝1处，并且被监视的停车区域的中心点被放置在点x＝0处。在具有两个摄像头的系统的情况下，另一个摄像头位于点x＝-1，但这种检测置信度的加权不需要系统只使用两个摄像机，因为它支持任意数量的摄像机。在具有两个以上摄像机的场景中，必须定义所有摄像机的中心，并且每个摄像机将具有相关联的功能Pnorm(x)，其通过其与中心的相应距离来调整。
[0195] 由于置信加权，远离摄像头的停车位上车辆的检测获得的分数将小于离摄像头位置近的摄像头。此后，添加所有摄像机的检测结果并用于获得最终停车位占用矩阵。对于k＝0，结果相当于将所有摄像机的所有检测与其原始分数相加，因为所有这些都被加权值0.5。在k＝-1的情况下，在每个摄像机中保持的唯一检测是那些检测到的摄像机是所有摄像机中最接近停车位的摄像机。这种情况是不同摄像机之间信息的组合，每个摄像机覆盖包含最近点的区域。
[0196] 对于参数k的选择，必须考虑所选择的检测算法和场景(主要是每个摄像机的位置)。如果检测算法的性能随着距离显着下降，或者如果所考虑的摄像头具有低
分辨率，这使得其检测复杂化，则应当考虑参数k的负值(例如，-1，-1.1，-1.5)。否则，参数k的正值(例如，1,1.1,1.5)将产生更好的系统性能，因为它认为每个摄像头的更远的检测具有更大的权重。
[0197] 在自动点映射，摄像头i的占用矩阵Ok,i和参数k被定义为：
[0198]
[0199] 为每个摄像头获得一个占用矩阵,所有这些都被融合以获得系统的总占用矩阵Ok,T，
[0200]
[0201] 参见图8，图8停车场区域的多个摄像头拍摄识别的停车目标进行融合成停车区域分布图，例如：示例性的进行说明，在其中一块停车区域设有三个摄像头，每个摄像头都有其能够拍摄的区域范围，图8a表示目前停车区域的车辆分布，图8b表示三个摄像头拍摄的图片经过识别后显示有车位的停车区域，利用上述公式，可以得到每个摄像头有一个对应的车位占用矩阵。图8c表示通过将三个摄像头拍摄的图片经过识别后显示的车位的停车区域进行融合后的停车区域的车辆分布。
[0202] 步骤S2中的具体内容包括：
[0203] 步骤S21，车辆快接近目的地时，发送一个需要停车的信号给目标停车区域的车位管理系统，车位管理系统根据当前停车区域判断是否有空余车位的信息并将该信息发送给车辆；
[0204] 步骤S22，车辆若接收到目标停车区域有空余车位时，则发送一个确认需要停车的信息给车位管理系统，车位管理系统接收到该信息后，则根据车辆当前的位置选择当前距离车辆最近的空余车位位置及周围环境信息发送给车辆。
[0205] 步骤S3具体包括：
[0206] 步骤S31，中央控制器接收到有空余泊车位的信息时，通过高精度地图获知可以停车的车位坐标，然后确定当前位置和终点位置，选择最优行车路径；
[0207] 步骤S32，根据里程计、惯性导航传感器计算车辆的实时位置1，通过摄像头获取沿路标记，通过标记再次获取车辆的实时位置2,通过实时位置2对实时位置1进行校正；
[0208] 步骤S33，沿着规划路径达到预设泊车位置，通过车辆上的摄像头对泊车位置的标记进行识别并获取标记信息，将标记信息发送至中央控制器；
[0209] 步骤S4具体包括：
[0210] S41，通过摄像头获取车位标线，并计算车辆距离车位标线的距离，控制车辆转向角启动车辆调整车身距离车位标线到达预设位置；
[0211] S42，然后沿着规划的泊车路径操控车辆往泊车位置移动；
[0212] S43，在车辆移动过程中，通过超声波雷达、毫米波雷达和摄像头对障碍物进行检测和识别是否存在障碍物并判断障碍物的类型；
[0213] S44，控制车辆转向和制动部件操控车辆移动至泊车位置；
[0214] S45，再次通过摄像头拍摄泊车位置的车位标记，对车位标记并获取第一车位标记识别结果，将第一车位标记识别结果发送给停车管理系统；
[0215] 具体地，本实施例中的车位标记与停车位的位置是一一对应的关系，在车位管理系统中的高精度地图中存储有车位标记，通过车位标记能够获知当前车辆的停放车位的位置。
[0216] 步骤S43中具体包括：障碍物的识别采用自适应增强算法(AdaBoost algorithm)进行识别，对识别的障碍物进行分类处理，所述障碍物分为三类，包括人、车、其它；
[0217] 具体地，自适应增强算法是构造一个基于Harr特征提取的弱分类器级联的强分类器，所述强分类器包括五个弱分类器级联。图9为本发明一实施例中自适应增强算法中采用五个弱分类器级联的示意图，参见图9，通过收集大量的训练样本，调节每级的特征值F，逐级训练，使其识别率逐渐提高，最终达到预设值。
[0218] 图10为利用自适应增强算法中对障碍物的识别过程示意图，分为离线训练和在线识别两个部分。通过离线训练完成车或人的检测，然后通过车辆的摄像头获取图片并对该图片进行特征提取和分类识别，最终识别出障碍物的类型。
[0219] 当识别的障碍物是人时，控制车辆制动部件停车，待人离开时再继续移动车辆泊车以停入车位；
[0220] 当识别的障碍物是车时，根据泊车轨迹推算是否会存在碰撞，若不存在碰撞，则继续进行泊车；若存在碰撞，则立即控制车辆进行制动停车，判断该车辆的泊车位置是否为本车的泊车位置，若不是本车的泊车位置，待该车辆泊车入位后再进行本车泊车，若该车辆的泊车位置与本车相同，则启动本车进行前进或后退寻找下一个泊车位置将车辆移动入位；
[0221] 当识别的障碍物是其它类别时，根据泊车轨迹推算是否会存在碰撞，若不存在碰撞，则继续进行泊车；若存碰撞，则立即终止当前泊车过程，重新寻找一个泊车位置并将车辆移动入位。
[0222] 步骤S5中的具体内容包括：
[0223] S51，通过停车位区域的摄像头对停放的汽车进行拍摄并获取图像，对车辆图像进行分割后提取车牌图像并对车牌号进行识别，将车牌号与该位置对应的车位标记作为第二车位标记识别结果发送给停车管理系统；
[0224] 通过摄像头拍摄泊车位置的车位标记，对车位标记并获取第一车位标记识别结果，将第一车位标记识别结果发送给停车管理系统；
[0225] S52，停车管理系统将来自于第一车位结果识别结果与第二车位识别结果进行对比分析，若两者结果相同，则确认识别信息正确，若识别结果不同，则系统进行报警，提取当前原始图片发送给预设的管理员进行人工分析处理后录入正确信息。
[0226] 步骤S51中，车牌号的识别具体包括以下步骤：
[0227] 步骤S511，获取车辆图片并将图片转化为灰度图；
[0228] 步骤S512，通过坎尼边缘算法(canny edge)和拉普拉斯算子边缘(laplacian edge)算法分别对图片的边缘进行处理并将坎尼边缘算法处理的图片边缘与拉普拉斯算子边缘算法处理的图片边缘进行融合处理并获得最终的图片边缘；
[0229] 步骤S513，对车牌区域进行检测并对车牌区域的角度进行校正；
[0230] 步骤S514，对图片尺寸进行标准化并去除车牌区域的边缘噪音，然后对车牌区域进行二值化处理；
[0231] 步骤S515，对车牌区域进行识别并提取车牌区域的字符；
[0232] 步骤S516，对识别的车牌字符进行检查，检查车牌字符是否为车牌数据库中的字符或识别的车牌字符是否符合车牌编码规则，若识别的车牌字符为车牌数据库中的字符或者识别的车牌字符合车牌编码规则，则获取识别结果；若识别的车牌字符非车牌数据库中的字符或者识别的车牌字符不符合车牌编码规则，则将该车牌图片通过人工进行车牌识别并将识别结果进行录入停车管理系统。
[0233] 以上所述的仅是本发明的优选实施方式，本发明不限于以上实施例。本领域的技术人员可以清楚，该实施例中的形式不局限于此，同时可调整方式也不局限于此。可以理解，本领域技术人员在不脱离本发明的基本构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。
