车辆和车辆停车系统的制作方法
【专利摘要】本公开涉及一种车辆和车辆停车系统。提供一种车辆。所述车辆包括：相机和控制器，相机被配置为检测停车位中的目标物体，控制器被配置为：响应于相机检测到目标物体的存在，基于所述车辆的横摆角和到目标物体的距离将车辆驶入停车位中。所述到目标物体的距离基于表示目标物体的边界的向量。
【专利说明】
车辆和车辆停车系统
技术领域
[0001 ]本公开设及车辆和停放车辆的方法。
【背景技术】
[0002] 车辆可包括自动停车系统，其中，自动停车系统能够不依赖于来自人工控制件(例 如，方向盘、加速器踏板、制动器踏板等)的驾驶员输入来停放车辆。
【发明内容】
[0003] 提供一种停放车辆的方法。所述方法包括:使用相机来检测停车位中的目标物体； 基于目标物体和相机的视场的垂直面之间的角度W及从相机到目标物体的距离，将车辆驶 入停车位中。从相机到目标物体的距离基于表示目标物体的边界的向量。
[0004] 提供一种车辆。所述车辆包括:相机和控制器，相机被配置为检测停车位中的目标 物体，控制器被配置为：响应于相机检测到目标物体的存在，基于所述车辆的横摆角和到目 标物体的距离将所述车辆驶入停车位中。到目标物体的距离基于表示目标物体的边界的向 量。
[0005] 根据本发明，提供一种车辆，所述车辆包括:相机，被配置为检测停车位中的目标 物体;控制器，被配置为：响应于相机检测到目标物体的存在，基于车辆的横摆角和到目标 物体的距离将车辆驶入停车位中，所述距离基于表示目标物体的边界的向量。
[0006] 根据本发明的一个实施例，所述向量基于所述边界的第一段的水平投影和目标物 体的扭曲。
[0007] 根据本发明的一个实施例，所述距离还基于所述向量和所述水平投影之间的角 度。
[000引根据本发明的一个实施例，所述距离还基于目标物体在相机的视场中的位置。
[0009] 根据本发明的一个实施例，所述扭曲基于相机检测到的目标物体的几何中屯、和预 期的目标物体的几何中屯、。
[0010] 根据本发明的一个实施例，所述预期的几何中屯、基于所述边界的第二段。
[0011] 根据本发明的一个实施例，所述横摆角为目标物体和相机的视场的垂直面之间的 角度。
[0012] 根据本发明的一个实施例，相机面向车辆的前端。
[OOU]提供一种车辆。所述车辆包括:相机和控制器，相机被配置为输出指示在停车位中 目标物体的存在的信号，控制器与相机进行通信。控制器被配置为：响应于从相机接收到指 示目标物体的存在的信号，基于目标物体和相机的视场的垂直面之间的角度W及从相机到 目标物体的距离，将车辆驶入停车位中。从相机到目标物体的距离基于表示目标物体的边 界的向量、表示目标物体的边界的向量和目标物体的边界的第一段的水平投影之间的角 度、W及目标物体在相机的视场中的位置。
[0014]根据本发明，提供一种车辆，所述车辆包括:相机，被配置为输出指示在停车位中 目标物体的存在的信号;控制器，与相机进行通信，并且被配置为:响应于接收到所述信号， 基于从相机到目标物体的距离W及目标物体和相机的视场的垂直面之间的角度，将车辆驶 入停车位中，所述距离基于表示目标物体的边界的向量、所述向量和所述边界的第一段的 水平投影的角度、W及目标物体在所述视场中的位置。
[0015] 根据本发明的一个实施例，所述向量基于所述水平投影和目标物体的扭曲。
[0016] 根据本发明的一个实施例，所述扭曲基于相机检测到的目标物体的几何中屯、和预 期的目标物体的几何中屯、。
[0017] 根据本发明的一个实施例，所述预期的目标物体的几何中屯、基于所述边界的第二 段。
[0018] 根据本发明的一个实施例，所述目标物体和相机的视场的垂直面之间的角度是车 辆的横摆角。
【附图说明】
[0019] 图1是示出车辆相对于停车位的俯视图的示意图；
[0020] 图2示出了安装到车辆上的相机的视场W及在相机的视场中检测到的目标物体； [0021 ]图3示出了相机的视场中的目标物体的特写，所述特写设及相机检测到的目标物 体的几何中屯、和预期的目标物体的几何中屯、；
[0022] 图4示出了相机的视场中的目标物体的另一特写，所述另一特写设及表示目标物 体的实际边界的向量和表示目标物体沿X轴的投影边界的向量；
[0023] 图5示出了使用回归分析来确定从相机到目标物体的距离的方法；
[0024] 图6示出了用于当在停车位中检测到目标物体时停放车辆的方法。
【具体实施方式】
[0025] 在此描述了本公开的实施例。然而，将理解的是，所公开的实施例仅是示例，并且 其它实施例可W采用各种替代形式。附图无需按比例绘制；一些特征会可被夸大或最小化 W示出特定组件的细节。因此，在此公开的具体结构和功能细节不应被解释为具有限制性， 而仅作为用于教导本领域的技术人员W多种方式利用本发明的代表性基础。如本领域技术 人员将理解的，参考任一附图示出和描述的各种特征可W与在一个或更多个其它附图中示 出的特征组合，W产生未被明确示出或描述的实施例。示出的特征的组合提供用于典型应 用的代表性实施例。然而，可期望与本公开的教导一致的特征的各种组合和变型用于特定 的应用或实施方式。
[0026] 参照图1，示出了车辆10相对于停车位12的俯视图。车辆10可包括相机14,其中，相 机14被配置为检测位于停车位12中的目标物体16。相机14还可被配置为产生指示目标物体 16的存在W及与目标物体16的存在相关的信息的输出信号。相机14可W是任何类型的相 机，但是优选地，相机14可W是数码相机。尽管相机14被示出为背对车辆10的前端，但是相 机14可被改变位置为背对车辆10的后端。相机14可与控制器18进行通信，控制器18被配置 为响应于从相机14接收到指示目标物体的存在的信号，基于横摆角0(横摆角0是目标物体 16和相机的视场的垂直面之间的角度m及从相机14到目标物体16的距离而将车辆10驶入 停车位12中。第一向量20可表示相机的视场的垂直面，第二向量22可表示从相机14到目标 物体16的距离。
[0027] 虽然控制器18被示出为一个控制器，但是控制器18可W是更大的控制系统的一部 分，并且可由整个车辆10中的各种其它控制器(诸如车辆的系统控制器(VSC))来控制。因 此，应当理解的是，控制器18和一个或更多个其它控制器可被统称为控制车辆10的多种功 能的"控制器"和/或响应于来自多种传感器的信号的致动器。控制器18可包括与各种类型 的计算机可读存储装置和介质进行通信的微处理器或中央处理单元(CPU)。例如，计算机可 读存储装置或介质可包括只读存储器(ROM)、随机存取存储器(RAM)和磨损修正系数存储器 化AM)中的易失性存储器和非易失性存储器。KAM是可被用于在CPU断电时存储各种操作变 量的持久性存储器或非易失性存储器。计算机可读存储装置或介质可使用任意数量的已知 存储装置(诸如PROM(可编程只读存储器）、EPR0M(电可编程只读存储器）、邸PROM(电可擦除 可编程只读存储器）、闪存或能够存储数据(所述数据中的一些表示可执行的指令，所述可 执行的指令由控制器在控制车辆时使用）的任何其它的电存储装置、磁存储装置、光学存储 装置、或它们的组合)来被实现。
[0028] 现在参照图2至图5,使用一系列的步骤来推算横摆角0 W及从相机14到目标物体 16的距离。所述步骤可由存储在控制器18中的程序来执行，其中，存储在控制器18中的程序 包括被用于基于从在相机的视场中的观测到目标物体16导出的信息来推导出横摆角0W及 从相机14到目标物体16的距离的算法或一系列的算法。
[0029] 参照图2,示出了相机的视场24。相机14首先检测目标物体16。运种检测可使用被 配置为识别特定物体的物体识别软件来被完成。物体检测软件可被存储在控制器18或者其 它适当的包括数据存储区的硬件中的程序库（1化rary)中。接着，表示相机的视场24的垂直 面的第一向量20 W及表示从相机14到目标物体16的距离的第二向量22基于目标物体16在 相机的视场24中的位置。然而，在该步骤中，仅产生第一向量20和第二向量22的方向（未产 生第一向量20和第二向量22的大小）。在第一向量20和第二向量22之间的可观测到的角度 与横摆角0相对应。
[0030] 参照图3,示出了相机的视场24中的目标物体16的特写。产生检测到的目标物体16 的几何中屯、26和预期的目标物体16的几何中屯、28。可相对于目标物体16的一段边界来产生 预期的几何中屯、28,其中，目标物体16的一段边界基于预期的目标物体16的形状。可基于限 定目标物体16的边界的多个段的中屯、来产生检测到的几何中屯、26。
[0031] 在示出的示例中，目标物体16的边界包括四段:右侧30、左侧32、上侧34和下侧36。 另外，在示出的示例中，预期的目标物体16的形状是矩形。基于对目标物体16的边界的右侧 30的检测和预期的目标物体16的矩形形状来产生预期的几何中屯、28。基于目标物体16的边 界的右侧30、左侧32、上侧34和下侧36的中屯、来产生检测到的几何中屯、26。预期的几何中屯、 28与检测到的几何中屯、26之间的位置上的差异限定了相机的视场24中的目标物体16的扭 曲（目标物体16的扭曲还可被称为歪斜）。可W使用检测几何图案、几何形状、几何配置并与 几何图案、几何形状、几何配置等相关的软件来产生检测到的几何中屯、26和预期的几何中 屯、28。
[0032] 在示出的示例中，尽管目标物体16是矩形的，并且目标物体16的右侧30边界被用 于产生预期的几何中屯、28,但是应当注意的是，目标物体16可由其它形状构成，并且可关于 包括目标物体16的边界的任何段来产生预期的几何中屯、28。
[0033] 可用于量化所述扭曲（歪斜)的方法的示例包括边缘检测、过滤/阔值、使用霍夫变 换(霍夫变换还可被称为霍夫转换)来计算从平面上的线的垂直面到所述平面的水平轴线 (在下文中，所述平面将被称为XY平面，且水平轴线将被称为X轴）的角度，W及将从XY平面 上的线的垂直面到X轴的角度(所述角度使用霍夫变换来计算)与从目标物体16的一段边界 的垂直面到相机的视场24的水平面的预期的角度进行比较。
[0034] 可使用边缘检测软件来检测目标物体16的边缘。边缘检测软件被用于通过比较灰 度图像或单色图像的相机的视场24中的相邻像素的值来产生梯度。一旦将相机的视场24中 的相邻像素进行比较，则将产生指示示出检测到的边缘的一组差异的结果图像(其中，高对 比度边缘被表示为较大差异）。
[0035] 边缘检测算法可W基于下列等式（1) - (3):
[0036]
(1)
[0037] Bh(j，k)=A(j，k+l)-A(j，k-l) (2)
[003引 B^j，k)=A(j+l，k)-A(j-l，k) (3)
[0039] A是表示灰度图像或单色图像的具有j行和k列的矩阵。
[0040] B是表示通过对灰度图像或单色图像中的相邻像素的值进行比较而产生的梯度的 矩阵。
[0041] 边缘检测软件还可包括过滤/阔值。例如，可W设置阔值，使得仅所产生的梯度（由 矩阵B表示）的最显著的变化将在结果图像中被示出，其中，结果图像表示在灰度图像或单 色图像中检测到的边缘。此外，矩阵A可被预处理，W在相机的视场中显示特定的颜色通道 或感兴趣的区域。
[0042] 使用边缘检测软件检测到的单个边缘在相机的视场24中的XY平面上沿着线形成 一系列的点。可对由检测到的边缘所形成的一系列的点（或像素)执行霍夫变换。所述霍夫 变换设及通过由单个检测到的边缘所形成的每个点（或一组被选择的点）而生成一系列的 线。通过由检测到的边缘所形成的每个点而绘制的一系列的线中的每一条线通过垂线与XY 平面相关。接着，生成垂线和X轴之间的角度W及从原点到垂线与感兴趣的单个边缘相交处 的点的垂线的长度。检测到的边缘的每个点随后可在霍夫空间被表示为根据所述角度相对 于从原点到感兴趣的单个边缘的垂线的距离而绘制的正弦曲线。在绘制正弦曲线时，在相 机的视场24中的平面XY上，通过由检测到的边缘所形成的所有的点的线由与所述正弦曲线 重叠的霍夫空间中的点来表示。与所述正弦曲线重叠的空间中的点给出垂直于形成一系列 的点的检测到的边缘的线的坐标(从原点到形成一系列的点的检测到的边缘的长度W及相 对于X轴的角度）。随后可通过与所述正弦曲线重叠的霍夫空间中的点处的角度和从目标物 体16的一段边界的垂直面到相机的视场24的水平面的预期的角度之间的差异来确定歪斜。 在霍夫的第3,069,654号美国专利W及杜达? R ? 0和P ? E ?哈特在《美国计算机学会通讯》 第1期第15卷的第11-15页的"利用霍夫变换来检测图像中的线条和曲线"中示出了霍夫变 换的示例（1972年1月），其中的每个示例的全部内容通过引用被包含于此。
[0043] 应当注意的是，除了霍夫变换之外，可使用其它方法来检测目标物体16的歪斜(扭 曲），所述其它方法包括但不局限于傅立叶法、投影轮廓法、最近邻聚类法和关联法。
[0044] 在确定目标物体16的歪斜时，所述处理还可W考虑在相机的图像平面上引起投影 图像扭曲（所述扭曲包括径向扭曲和/或切向扭曲）的镜头的内部属性。在本领域中存在若 干被已知的在此应该被视为公开的算法和等式，所述算法和等式被用于校正相机镜头的桶 型扭曲或枕型扭曲（barrel or pincushion type disto;rtion)。
[0045] 参照图4,示出了相机的视场24中的目标物体16的另一特写。一旦目标物体16的歪 斜已经被确定，则可W确定表示目标物体16的一段边界的向量38的方向和大小。为了说明 目的，向量38与表示目标物体16的下侧36的段相对应。然而，应当理解的是，在该示例中，所 述方法可被用于确定表示包括目标物体16的边界的任何段的向量的方向和大小（目标物体 16的边界包括右侧30、左侧32、上侧34或下侧36)。此外，所述方法可被应用于具有任何特定 形状的目标物体的任何一侧。一旦通过W上描述的边缘检测方法已经检测到目标物体16的 边界，则可生成目标物体16的一段边界沿已知轴的投影的向量40的方向和大小。可使用检 测几何图案、几何形状、几何配置并与几何图案、几何形状、几何配置等相关的软件来生成 向量40,其中，向量40是目标物体16的一段边界的投影。运里，向量40与目标物体16的下侧 36的水平投影相对应。一旦生成了表示目标物体16的下侧36的水平投影的向量40,则将早 先确定的歪斜(扭曲）应用于向量40，从而产生与目标物体16的一段边界的方向和大小对应 的向量38,其中，所述目标物体16的一段边界与目标物体16的下侧相对应。一旦两个向量38 和40已被确定，则位于两个向量38和40之间的角度〇随后可被确定。
[0046] 参照图5,示出了使用回归分析来确定从相机14到目标物体16的距离的方法。使用 回归分析的方法包括将一系列的变量输入到回归分析算法42中。所述一系列的变量可包括 与表示目标物体16的一段边界的方向和大小的向量38相对应的第一输入44、与位于向量38 和向量40之间的角度相对应的第二输入46、W及与目标物体16在相机的视场24中的位置相 对应的第S输入48。所述回归分析算法42的输出50与从相机14到目标物体16的距离相对 应。从相机14到目标物体16的距离与图1中所描绘的第二向量22的大小相对应。结合角度0 (角度e是目标物体16和表示相机的视场的垂直面的第一向量20之间的角度），现在已知第 二向量22的方向和大小。如果相机14是在道路表面上的已知高度，则可随后应用勾股定理 (使用包括直角=角形的斜边的第二向量22)来确定沿着道路表面从相机14到目标物体16 的距离(所述距离可相当于水平距离）。
[0047] 回归分析算法42可包括将新的数据与先前累积的数据(所述先前累积的数据还可 被称为训练数据)进行比较。该训练数据被用于创建输入和输出的映射，并且应当被设计， 使得新的数据在与训练数据相比时达到最小的误差。运里，训练数据和新的数据可使相机 的视场24中的像素位置与距离相机14的距离相关联。因此，一旦确定了表示目标物体16的 一段边界的向量38的方向和大小，则可通过将向量38的像素位置与表示像素位置和距离的 先前学习的数据进行比较来确定到向量38的距离(即，从相机14到目标物体16的距离）。
[0048] 回归分析算法42可由用于映射数据点的假设函数和用于计算假设函数的精确度 的代价函数组成。回归分析算法42的示例可包括但不局限于线性模型、多项式模型、逻辑模 型和神经网络。
[0049] 线性回归分析可W基于下列假设函数等式(4)和代价函数等式(5):
[0050] H(目）=目二目0+目 i*x (4)
[0051]
巧
[0052] 多项式回归分析可W基于下列假设函数等式(6)和代价函数等式(7):
[0化4]
[0053] H(目）=目二目0+目 i*x+目 3村2+目3相3... (6)
[0化5]
[0化6]
[0化7]
[0058] 参照图6,示出了用于当在停车位中检测到目标物体时停放车辆的方法100。方法 100中的第一步骤102包括利用安装到车辆10上的相机14来检测停车位12中的目标物体16。 一旦目标物体16已经被检测到，则方法100移动到步骤104,在步骤104,确定相机的视场的 垂直面和目标物体16之间的横摆角0。方法100随后移动到步骤106,在步骤106,基于W上参 照图2至图5描述的方法来确定从相机14到目标物体16的距离。然后，在步骤108,可基于横 摆角ew及从相机14到目标物体16的距离将车辆10驶入停车位12中。
[0059] 在说明书中所使用的词语为描述性词语而非限制性词语，并且应理解的是，可在 不脱离本公开的精神和范围的情况下做出各种改变。如前所述，可将各种实施例的特征进 行组合W形成本发明的可能未被明确描述或示出的进一步的实施例。尽管针对一个或更多 个期望特性，各种实施例已经被描述为提供在其它实施例或现有技术实施方式之上的优点 或优于其它实施例或现有技术实施方式，但是本领域的普通技术人员应认识到，根据特定 的应用和实施方式，一个或更多个特征或特性可被折衷W实现期望的整体系统属性。运些 属性可包括但不限于成本、强度、耐用性、生命周期成本、市场性、外观、包装、尺寸、可维护 性、重量、可制造性、装配的容易性等。如此，被描述为在一个或更多个特性方面不如其它实 施例或现有技术实施方式满足期望的实施例并非在本公开的范围之外，并可被期望用于特 定应用。
【主权项】
1. 一种停放车辆的方法，包括： 使用相机来检测停车位中的目标物体； 基于目标物体和相机的视场的垂直面之间的角度以及从相机到目标物体的距离，将车 辆驶入停车位中，其中，所述距离基于表示目标物体的边界的向量。2. 如权利要求1所述的方法，其中，所述向量基于所述边界的第一段的水平投影和目标 物体的扭曲。3. 如权利要求2所述的方法，其中，所述距离还基于所述向量和所述水平投影之间的角 度。4. 如权利要求3所述的方法，其中，所述距离还基于目标物体在相机的视场中的位置。5. 如权利要求3所述的方法，其中，所述扭曲基于相机检测到的目标物体的几何中心和 预期的目标物体的几何中心。6. 如权利要求5所述的方法，其中，所述预期的目标物体的几何中心基于所述边界的第 二段。7. 如权利要求1所述的方法，其中，所述角度是车辆的横摆角。
【文档编号】G05D1/02GK106020182SQ201610178803
【公开日】2016年10月12日
【申请日】2016年3月25日
【发明人】阿里·哈萨尼, 阿迪力·尼扎姆·西迪基
【申请人】福特全球技术公司
文档序号 :
【 10653585 】
技术研发人员：阿里·哈萨尼,阿迪力·尼扎姆·西迪基
技术所有人：福特全球技术公司
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除
技术研发人员：阿里·哈萨尼,阿迪力·尼扎姆·西迪基
技术所有人：福特全球技术公司
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除