本發明涉及智能泊車，特別是一種基于圖像采集的智能泊車輔助系統。

背景技術：

1、隨著智能駕駛技術的普及，智能泊車輔助系統逐漸成為汽車領域的重要組成部分，這類系統通過車載攝像頭實時捕捉車輛周圍環境的圖像，依托計算機視覺算法識別車位線條、障礙物和行駛路徑，為駕駛者提供泊車引導。

2、然而在夜間或地下停車場等低光環境使用此輔助系統時，由于存在光線影響，易導致攝像頭采集的圖像模糊，缺乏足夠的細節；而在開闊場地或陽光直射的情況下，攝像頭畫面可能出現強光斑點、過曝區域，甚至完全丟失關鍵特征，直接影響視覺算法的判斷能力，可能導致誤識別障礙物或無法檢測到車位的準確位置，引發泊車路徑規劃的偏差或停車失敗。

3、針對上述問題，部分傳統泊車輔助方案在攝像頭中集成高動態范圍hdr技術，平衡明暗對比；部分算法通過動態調整圖像亮度和對比度，增強低光場景中的目標識別能力，一定程度上提高了系統的適應性，但在光照劇烈變化或光源復雜的環境下，識別效果依然無法滿足需求，因此亟需一種基于圖像采集的智能泊車輔助方案來解決此類問題。

技術實現思路

1、鑒于上述現有存在的問題，提出了本發明。

2、本發明提供了一種基于圖像采集的智能泊車輔助系統解決傳統基于圖像的泊車方法對低光和高動態范圍場景表現不佳，如夜晚停車場或強陽光直射車位，易導致障礙物識別失敗或誤檢的問題。

3、為解決上述技術問題，本發明提供如下技術方案：

4、本發明實施例提供了一種基于圖像采集的智能泊車輔助系統，其包括，

5、多光譜視覺系統，用于實時采集車輛周圍不同波段的環境圖像，包含可見光、近紅外和遠紅外波段數據；

6、高動態范圍hdr成像模塊，用于對多光譜視覺系統采集的環境圖像進行明暗區域的細節增強，優化低光場景中的亮度表現和強光條件下的對比度平衡；

7、光譜融合處理模塊，用于將多波段的環境圖像數據輸入融合算法，通過卷積神經網絡進行跨光譜特征對齊與深度綜合，生成融合圖像；

8、路徑規劃模塊，用于基于融合圖像的障礙物檢測結果、車位輪廓信息和車輛當前位姿，利用貝塞爾曲線算法生成泊車路徑，并根據障礙物的優先級動態調整路徑；

9、車輛控制模塊，用于接收路徑規劃模塊生成的泊車路徑指令，輸出車輛速度控制和轉向控制信號，并通過閉環反饋實時調整控制策略。

10、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：基于圖像采集的智能泊車輔助系統的輔助方式為：

11、步驟s1，由多光譜視覺系統實時采集車輛周圍不同波段的環境圖像，結合高動態范圍hdr成像模塊，對高光與低光區域的細節進行增強；

12、步驟s2，將步驟s1獲取的多波段環境圖像數據輸入光譜融合處理模塊，采用基于卷積神經網絡的跨光譜融合算法，對圖像進行特征對齊與深度綜合，輸出融合圖像；

13、步驟s3，基于融合圖像，利用yolo目標檢測算法識別環境中的動態障礙物，包括其類型與位置信息；同時通過邊界檢測算法提取車位輪廓，生成車位模型，結合障礙物的動態行為特性，為不同目標分配優先級標簽；

14、步驟s4，根據步驟s3獲得的障礙物識別結果、車位輪廓信息及車輛的當前位姿數據，采用貝塞爾曲線路徑規劃算法，生成泊車路徑；

15、步驟s5，將規劃路徑輸入車輛控制模塊，生成車輛的速度控制和轉向控制指令。

16、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：所述結合高動態范圍hdr成像模塊，對高光與低光區域的細節進行增強的步驟為，

17、設輸入圖像為i，對i使用亮度分解函數處理，生成高光區域ih和低光區域il：

18、ih＝relu(i-th),il＝relu(tl-i)，

19、其中，i表示輸入的多光譜圖像，th表示高光閾值，用于區分高亮區域，tl表示低光閾值，用于區分低亮區域，ih表示高光區域圖像，il表示低光區域圖像，relu(x)表示線性修正激活函數，

20、對高光和低光區域分別進行局部細節增強，增強公式為：

21、i′h＝ih·(1+αh·log(1+ih)),i′l＝il·(1+αl·log(1+il))，

22、其中，i′h和i′l分別表示增強后的高光和低光圖像，αh和αl分別表示高光和低光增強系數，log(x)為對數函數；

23、將增強后的高光與低光區域合并，得到增強圖像：

24、i′＝i′h+il′，

25、其中，i′表示細節增強后的輸出圖像。

26、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：所述采用基于卷積神經網絡的跨光譜融合算法，對圖像進行特征對齊與深度綜合，輸出融合圖像的步驟為，

27、輸入多光譜圖像序列使用初始特征提取網絡提取每個波段的特征：

28、fi＝conv(ii；wi,bi)，

29、其中，ii表示第i個波段的輸入圖像，n表示波段數量，fi表示第i個波段的特征映射，conv(i；w,b)表示卷積操作，權重為w，偏置為b，

30、利用跨光譜配準糾正各波段特征的空間偏移，糾正公式為：

31、fi′＝warp(fi,hi)，

32、其中，fi′表示對齊后的第i個波段特征，hi表示第i個波段的透視變換矩陣，warp(f,h)表示基于h的特征變換函數；

33、對齊后的特征進行多層卷積融合，采用注意力機制計算融合特征，計算公式為：

34、

35、其中，ffusion表示融合后的全局特征，attention(x)表示注意力機制函數，wi表示第i個波段特征的權重系數；

36、將融合特征通過解碼器恢復為輸出圖像：

37、iout＝decoder(ffusion)，

38、其中，iout表示輸出的融合圖像，decoder(x)表示特征解碼器函數。

39、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：所述利用yolo目標檢測算法識別環境中的動態障礙物的步驟為，

40、基于融合圖像iout，提取候選區域的特征向量：

41、fyolo＝backbone(iout)，

42、其中，iout表示輸入的融合圖像，fyolo表示提取的特征向量，backbone(x)表示yolo的主干網絡；

43、使用yolo的錨框機制預測候選框的位置和類別：

44、pk,ck,sk＝head(fyolo,ak)，

45、其中，表示m個候選框，pk表示第k個候選框的中心位置，ck表示第k個候選框的類別概率，sk表示第k個候選框的尺寸，ak表示第k個錨框參數，head(x,a)表示yolo的檢測頭，用于預測位置、類別和尺寸；

46、使用非極大值抑制nms篩選最終檢測結果篩選公式為：

47、

48、其中，為最終輸出的n個檢測框，nms(·)為非極大值抑制算法。

49、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：所述通過邊界檢測算法提取車位輪廓，生成車位模型，結合障礙物的動態行為特性，為不同目標分配優先級標簽的步驟為，

50、對融合圖像iout進行邊緣檢測，生成二值化邊界圖像：

51、iedge＝canny(iout)，

52、其中，iedge表示邊界檢測后的二值圖像，canny(x)表示canny邊緣檢測算法，

53、使用輪廓提取算法確定車位輪廓：

54、cslot＝contour(iedge)，

55、其中，cslot表示檢測到的車位輪廓，contour(x)表示輪廓提取算法；

56、根據車位輪廓生成車位模型：

57、mslot＝fit(cslot)，

58、其中，mslot表示生成的車位模型，fit(x)表示擬合算法，用于將輪廓轉換為車位幾何模型，

59、分析檢測到的動態障礙物行為特性，基于優先級規則計算目標優先級標簽lk，計算公式為：

60、lk＝priority(dk,vk,rk)，

61、其中，lk表示第k個目標的優先級標簽，dk表示目標與車位的距離，vk表示目標的運動速度，rk表示目標的危險系數，priority(x,y,z)表示優先級計算函數。

62、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：步驟s4中，路徑規劃模塊依據障礙物優先級標簽對路徑進行動態調整。

63、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：所述采用貝塞爾曲線路徑規劃算法，生成泊車路徑的步驟為，

64、確定泊車起點pstart和泊車終點pend：

65、pstart＝(xs,ys),pend＝(xe,ye)，

66、其中，pstart表示當前車輛的初始位置，pend表示車位的中心點位置，(xs,ys)和(xe,ye)分別為起點和終點的坐標，

67、確定控制點集合約束曲線形狀：

68、pi＝(xi,yi)，

69、其中，pi表示第i個控制點，(xi,yi)為控制點的坐標，m表示控制點數量；

70、生成貝塞爾曲線路徑：

71、

72、其中，b(t)表示參數t對應的曲線點，t為路徑參數，取值范圍為[0,1]，

73、表示組合數，定義為

74、根據障礙物優先級標簽lk動態調整路徑控制點，調整公式為：

75、pi′＝pi+δpi，

76、其中，pi′表示調整后的控制點，δpi表示調整量，依據障礙物優先級計算，計算公式為：

77、

78、其中，lk為第k個目標的優先級標簽，fk(pi)表示第k個目標對控制點pi的影響函數，n為檢測到的障礙物數量，

79、生成最終泊車路徑b′(t)：

80、

81、其中，b′(t)為動態調整后的路徑。

82、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：步驟s5中，通過閉環控制執行泊車任務：在執行過程中，車輛控制模塊實時獲取反饋數據并對控制策略進行動態修正。

83、作為本發明所述一種基于圖像采集的智能泊車輔助系統的一種優選方案，其中：所述將規劃路徑輸入車輛控制模塊，生成車輛的速度控制和轉向控制指令的步驟為，

84、對動態調整后的泊車路徑b′(t)進行離散化，獲取離散路徑點集合，離散化公式為：

85、

86、其中，{pt}表示離散路徑點集合，t表示泊車路徑的總時長，

87、為第k個離散時刻，n為路徑點的離散數量，

88、根據離散路徑點，計算車輛在每個時刻的速度vk和轉向角θk，計算公式為：

89、

90、其中，vk表示車輛在第k個時刻的速度，θk表示車輛在第k個時刻的轉向角，(xk,yk)和(xk+1,yk+1)為路徑點的坐標，δt為相鄰路徑點之間的時間間隔；

91、根據車輛動力學模型，生成控制指令：

92、uk＝(vk,ωk)，

93、

94、其中，uk表示第k個控制指令，ωk表示車輛在第k個時刻的角速度，

95、通過閉環控制對執行過程進行反饋修正，實時調整控制指令：

96、u′k＝uk+keek，

97、其中，u′k表示修正后的控制指令，ke為反饋增益矩陣，ek表示第k時刻的路徑偏差，定義為：

98、

99、其中，pk為規劃路徑的第k個路徑點，為車輛實際位置。

100、本發明有益效果為：本發明，利用多光譜視覺系統實時采集車輛周圍不同波段的環境圖像，并結合hdr成像模塊對高光和低光區域進行細節增強，顯著提升在弱光和強光條件下圖像質量，基于卷積神經網絡的跨光譜融合算法對多波段圖像進行特征對齊與深度綜合，生成清晰且一致性的融合圖像，增強目標特征的可見性，同時引入yolo目標檢測算法和邊界檢測技術，識別動態障礙物及其類型和位置，并提取車位輪廓生成車位模型，同時根據障礙物的動態行為分配優先級標簽；路徑規劃方面，采用貝塞爾曲線算法生成泊車路徑，并通過障礙物優先級動態調整路徑控制點，車輛控制模塊基于閉環反饋控制機制，通過對泊車路徑的離散化和動力學模型的實時修正，動態調整控制策略。

101、本發明，在弱光、強光或動態障礙物場景中顯著提升了泊車輔助系統的可靠性和適應性。