具体实施方式

在本说明书中，参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的各实施例旨在使本文的披露全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。

诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。

下文参考根据本发明实施例的方法和系统的流程图说明、框图和/或流程图来描述本发明。将理解这些流程图说明和/或框图的每个框、以及流程图说明和/或框图的组合可以由计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理设备的处理器以构成机器，以便由计算机或其它可编程数据处理设备的处理器执行的这些指令创建用于实施这些流程图和/或框和/或一个或多个流程框图中指定的功能/操作的部件。

可以将这些计算机程序指令加载到计算机或其它可编程数据处理器上以使一系列的操作步骤在计算机或其它可编程处理器上执行，以便构成计算机实现的进程，以使计算机或其它可编程数据处理器上执行的这些指令提供用于实施此流程图和/或框图的一个或多个框中指定的功能或操作的步骤。还应该注意在一些备选实现中，框中所示的功能/操作可以不按流程图所示的次序来发生。例如，依次示出的两个框实际可以基本同时地执行或这些框有时可以按逆序执行，具体取决于所涉及的功能/操作。

下面参考图1来说明根据本发明一实施例的利用嵌入式系统实现车位检测的系统100。系统100包括DLOD（深度学习对象检测）模型构建模块110、用例构建和编译模块120、视频预处理模块130以及嵌入式系统运行模块140。

DLOD模型构建模块110配置成生成第一DLOD模型，以及将第一DLOD模型转换为适用于板端的第二DLOD模型。例如，将基于深度学习的车位目标检测算法模型转换成板端可运行的DLOD模型。在一个实施例中，DLOD模型构建模块110可以包括：模型设计模块1102、模型训练模块1104、模型测试模块1106以及模型转换模块1108。

目前，针对传统机器学习的目标检测算法较为复杂，其中手工设计的特征鲁棒性差，滑动框定位不准确，导致车位识别率低。而在本发明中，系统100的DLOD模型构建模块110的模型设计模块1102可以采用基于深层卷积网络的车位识别算法，利用Caffe深度学习架构和SSD网络架构来设计面向自动泊车系统的车位检测算法，生成初步的DLOD模型（即，模型设计）。采用基于深度学习的SSD车位检测算法，现了端到端的车位检测，同时提高了运行速度与检测精度，在各种环境下检测算法适应性强。目前考虑到硬件计算能力有限以及嵌入式运行的难度，大多自动泊车系统采用超声波雷达或传统视觉方法进行车位检测，存在探测盲区以及环境适应性差等问题，本专利采用了端到端的深度学习车位检测算法，有效了解决了以上问题。

模型训练模块1104可以利用优选地大量的训练数据训练初步DLOD模型，以得到经训练DLOD模型。

模型测试模块1106可以利用测试数据测试经训练DLOD模型，其中测试数据可以是来自不同类型车位的测试数据集。模型测试模块1106还可以配置成将通过测试的经训练DLOD模型作为第一DLOD模型发送给模型转换模块1108；以及将未通过测试的经训练DLOD模型发送给模型设计模块1102。例如，对于因检测精度没有达到量产标准的经训练DLOD模型，模型测试模块1106可以将其反馈给模型设计模块1102，以继续完善网络模型的结构，直到经训练DLOD模型的车位检测精度达到测试标准。

模型转换模块1108可以从模型测试模块1106接收第一DLOD模型，以及将第一DLOD模型转换为第二DLOD模型。例如，模型转换模块1108可以将第一DLOD模型转换成板端可运行的第二DLOD模型，所述第二DLOD模型包括车位检测模型结构（例如，OD_Net.bin）和车位检测模型参数（例如，OD_Prm.bin）两个可执行文件。

基于上述的DLOD模型构建模块110，可以实现端到端的车位检测，并且通过大数据车位数据集来训练和优化模型提高了车位检测的精度以及环境自适应性。

用例构建和编译模块120，其配置成构建车位检测用例，以及对所述用例进行编译以生成用于所述嵌入式系统的系统文件。用例构建模块120可以作为车位检测嵌入式实现的核心，在输入输出操作系统（BIOS）基础上，作为开发板端与车位检测算法模型之间的接口驱动程序，通过调用数据流程序来完成车位检测用例的软件开发。然后，编译用例以生成系统文件（例如，车位检测镜像文件和系统启动文件），以供后文的嵌入式系统运行模块140使用。具体地，首先根据嵌入式硬件构建运行平台，将输入输出BIOS系统作为车位检测用例运行的实时操作系统，并指定该用例运行的CPU（IPU/MPU/EVE/DSP）。然后开发板端与算法之间的接口驱动程序，来构建车位检测应用程序，最后通过编译生成车位检测镜像文件和系统启动文件。其中，车位检测镜像文件可以作为应用程序文件来生成。在一个实施例中，用例构建和编译模块120可以包括用例构建模块和用例编译模块，以分别执行对应的上述功能。

视频预处理模块130配置成对获取的车位视频进行预处理以产生车位数据。视频预处理模块130可以将（例如，通过诸如相机之类的车载传感器获得的）车位视频流进行剪切等预处理，将其转换成车位检测算法模型可以识别的视频数据格式（例如，InData和InHeader），并以此作为车位检测算法模型的输入。具体地，首先将车位视频流进行剪切等预处理，使得像素大小符合车位检测算法模型的要求。然后将视频流转换成特定的数据帧格式，以供车位检测算法识别和处理。

嵌入式系统运行模块140配置成基于第二DLOD模型、系统文件以及车位数据，以嵌入式系统实现车位检测。嵌入式系统运行模块140包括：启动系统1402以及板载运行模块1404。其中，启动系统1402通过将第二DLOD模型、系统文件以及车位数据加载到板载运行模块1404上而进行车位检测。在一个实施例中，启动系统1402及板载运行模块1404通过对SD卡进行写入来启动嵌入式系统，其包含第二DLOD模型（例如，车位检测DLOD模型）、用例镜像文件、系统启动文件、系统配置文件等，进而实现车位检测的嵌入式运行。具体地，制作SD卡启动文件并在嵌入式片上系统上实现车位点目标检测。首先制作SD卡，集合第二DLOD模型中包括的OD_Net.bin、OD_Prm.bin、用例构建和编译模块120通过编译生成的车载检测镜像文件和系统启动文件等文件，以用来启动嵌入式系统，同时设置硬件并上电运行，最后实现泊车车位的嵌入式检测。

在一个实施例中，系统100还包括数据流图设计模块150，其配置成生成用于执行所述车位检测的运行逻辑以供所述用例构建和编译模块使用。数据流图设计模块150可以是设计车位检测的“链接与链路”软件架构。即，数据流图设计模块150可以设计车位视频流以及算法的运行逻辑，通过指定车位检测需要采用的链接模块以及各链接运行的核心，并将其按照运行逻辑连接起来形成链路，供（例如，目标检测）用例构建模块120调用。具体地，数据流图设计模块150可以设计车位检测数据流图并确定视频处理与算法运行核心。通过建立链接的连接而形成链路，同时指定各链接运行的SOC（System-on-a-Chip，片上系统）核心，实现视频流和车位检测算法的运行逻辑。如图3所示，可以在IPU (Image ProcessingUnit)核心中进行视频流的读取，解码和视频处理等相关操作，其次采用MPU (Micro-processing Unit)进行预处理和调度，将视频分发至各EVEs (Embedded Vision Engine)核中进行处理，车位特征提取需要进行大量的卷积计算，因而在EVEs核中进行。车位点检测层作为最后一层，在DSP核心上进行处理，可以提高检测效率。最后得到了车位点坐标，供自动泊车系统的规划决策与控制模块使用。

下面参考图2-4来说明根据本发明一实施例的利用嵌入式系统实现车位检测的方法200。如图4中所示，方法200包括：成生成第一DLOD模型，以及将第一DLOD模型转换为适用于板端的第二DLOD模型（S210）；构建车位检测用例，以及对所述用例进行编译以生成用于所述嵌入式系统的系统文件（S220）；对获取的车位视频进行预处理以产生车位数据（S230）；以及基于第二DLOD模型、系统文件以及车位数据，以嵌入式系统实现车位检测（S240）。

在步骤S210中：生成第一DLOD模型，以及将第一DLOD模型转换为适用于板端的第二DLOD模型。例如，将基于深度学习的车位目标检测算法模型转换成板端可运行的DLOD模型。生成第一DLOD模型和第二DLOD模型的步骤可以包括：模型设计S2102、模型训练S2104、模型测试S2106以及模型转换S2108，如图2中所示。

目前，针对传统机器学习的目标检测算法较为复杂，其中手工设计的特征鲁棒性差，滑动框定位不准确，导致车位识别率低。而在方法200中，在步骤S2102中，可以采用基于深层卷积网络的车位识别算法，利用Caffe深度学习架构和SSD网络架构来设计面向自动泊车系统的车位检测算法，生成初步的DLOD模型（即，模型设计）。由此，采用基于深度学习的SSD车位检测算法，现了端到端的车位检测，同时提高了运行速度与检测精度，在各种环境下检测算法适应性强。目前考虑到硬件计算能力有限以及嵌入式运行的难度，大多自动泊车系统采用超声波雷达或传统视觉方法进行车位检测，存在探测盲区以及环境适应性差等问题，本专利采用了端到端的深度学习车位检测算法，有效了解决了以上问题。

在步骤S2104中，可以利用优选地大量的训练数据训练初步DLOD模型，以得到经训练DLOD模型。

在步骤S2106中，可以利用测试数据测试经训练DLOD模型，其中测试数据可以是来自不同类型车位的测试数据集。还可以在步骤S2107中对训练DLOD模型进行检测精度测试，并将通过测试的经训练DLOD模型作为第一DLOD模型发送给模型转换模块1108；以及将未通过测试的经训练DLOD模型发送给模型设计模块1102。例如，对于因检测精度没有达到量产标准的经训练DLOD模型，可以将其反馈给模型设计模块1102，以继续完善网络模型的结构，直到经训练DLOD模型的车位检测精度达到测试标准。

在步骤S2108中，可以接收第一DLOD模型，以及将第一DLOD模型转换为第二DLOD模型。例如，可以将第一DLOD模型转换成板端可运行的第二DLOD模型，所述第二DLOD模型包括车位检测模型结构（例如，OD_Net.bin）和车位检测模型参数（例如，OD_Prm.bin）两个可执行文件。

基于上述用于生成第一和第二DLOD模型的步骤S210，可以实现端到端的车位检测，并且通过大数据车位数据集来训练和优化模型以提高车位检测的精度以及环境自适应性。

在步骤S220中：构建车位检测用例，以及对所述用例进行编译以生成用于所述嵌入式系统的系统文件。可以在输入输出操作系统（BIOS）基础上，编写开发板端与车位检测算法模型之间的接口驱动程序，通过调用数据流程序来完成车位检测用例的软件开发。然后，编译用例以生成系统文件（例如，车位检测镜像文件和系统启动文件），以供后文的嵌入式系统运行模块140使用。具体地，首先根据嵌入式硬件构建运行平台，将输入输出BIOS系统作为车位检测用例运行的实时操作系统，并指定该用例运行的CPU（IPU/MPU/EVE/DSP）。然后开发板端与算法之间的接口驱动程序，来构建车位检测应用程序，最后通过编译生成车位检测镜像文件和系统启动文件。其中，车位检测镜像文件可以作为应用程序文件来生成。

在步骤S230中，对获取的车位视频进行预处理以产生车位数据。可以将（例如，通过诸如相机之类的车载传感器获得的）车位视频流进行剪切等预处理，将其转换成车位检测算法模型可以识别的视频数据格式（例如，InData和InHeader），并以此作为车位检测算法模型的输入。具体地，首先将车位视频流进行剪切等预处理，使得像素大小符合车位检测算法模型的要求。然后将视频流转换成特定的数据帧格式，以供车位检测算法识别和处理。

在步骤S240中，基于第二DLOD模型、系统文件以及车位数据，以嵌入式系统实现车位检测。可以通过将第二DLOD模型、系统文件以及车位数据加载到板载运行模块1404上而进行车位检测。在一个实施例中，可以通过对SD卡进行写入来启动嵌入式系统，其包含第二DLOD模型（例如，车位检测DLOD模型）、用例镜像文件、系统启动文件、系统配置文件等，进而实现车位检测的嵌入式运行。具体地，制作SD卡启动文件并在嵌入式片上系统上实现车位点目标检测。首先制作SD卡，集合第二DLOD模型中包括的OD_Net.bin、OD_Prm.bin、通过编译生成的车载检测镜像文件和系统启动文件等文件，以用来启动嵌入式系统，同时设置硬件并上电运行，最后实现泊车车位的嵌入式检测。

在一个实施例中，还可以成生成用于执行所述车位检测的运行逻辑。可以设计车位视频流以及算法的运行逻辑，通过指定车位检测需要采用的链接模块以及各链接运行的核心，并将其按照运行逻辑连接起来形成链路，以供在（例如，目标检测）构建车位检测用例的步骤S220中调用。具体地，可以设计车位检测数据流图并确定视频处理与算法运行核心。通过建立链接的连接而形成链路，同时指定各链接运行的SOC（System-on-a-Chip，片上系统）核心，实现视频流和车位检测算法的运行逻辑。如图3所示，可以在IPU (ImageProcessing Unit)核心中进行视频流的读取，解码和视频处理等相关操作，其次采用MPU(Micro-processing Unit)进行预处理和调度，将视频分发至各EVEs (Embedded VisionEngine)核中进行处理，车位特征提取需要进行大量的卷积计算，因而在EVEs核中进行。车位点检测层作为最后一层，在DSP核心上进行处理，可以提高检测效率。最后得到了车位点坐标，供自动泊车系统的规划决策与控制模块使用。

按照本发明的第三方面，提供一种存储有计算机程序指令的非暂时性计算机可读存储介质，所述计算机程序指令在被执行时实现根据本发明所述的利用嵌入式系统实现车位检测的方法200。

根据本发明的利用嵌入式系统实现车位检测的系统和方法设计了车位检测各模块在不同片上系统（SOC）的处理核上运行的方案，充分发挥了硬件和算法的优势，提高了算法在终端的运行速度；根据处理核本身的特性来运行车位检测算法的各个模块，充分利用好的资源和计算能力，提高了车位检测的帧率，给进一步实现自动泊车提供了保障。

根据本发明的车位检测系统和方法消除或至少减小了现有技术的自动泊车系统中的车位检测环节的局限性。根据本发明的面向自动泊车系统的车位检测嵌入式设计方案能够将深度学习车位检测算法在板端嵌入式系统上运行，一方面实现了复杂、极端环境下泊车车位的实时检测及定位，从而提高车位检测准确率以及车位检测场景泛化能力，为进一步实现自动泊车系统的开发奠定基础；另一方面不需要与云端进行信息交互，实时性和安全性好。

注意的是，本发明大体上属于智能汽车的自动泊车系统嵌入式开发领域，但是在不背离本发明真实意图的前提下，也可以扩展应用到无人驾驶及嵌入式人工智能领域。

提供本文中提出的实施例和示例，以便最好地说明按照本技术及其特定应用的实施例，并且由此使本领域的技术人员能够实施和使用本发明。但是，本领域的技术人员将会知道，仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本发明的各个方面或者将本发明局限于所公开的精确形式。