用于执行自动停车的车辆及其控制方法与流程

1.本公开涉及一种用于执行自动停车的车辆及其控制方法。


背景技术：

2.自动驾驶技术是一种即使驾驶员不手动控制制动器、方向盘或加速器踏板，车辆也会掌握道路状况并自动驾驶的技术。
3.自动驾驶技术是实现智能汽车的核心技术，包括诸如公路驾驶辅助系统(hda，自动保持车距的技术)、后侧报警系统(bsd，在倒车时检测附近车辆并发出警报的技术)、自动紧急制动系统(aeb，在未识别到前方车辆时激活制动系统的技术)、车道偏离警告系统(ldws)、车道保持辅助系统(lkas，补偿在没有转向信号的情况下离开车道的技术)、高级智能巡航控制(ascc，以设定速度保持汽车之间的距离并恒速行驶的技术)、拥堵路段驾驶辅助系统(tja)、停车防撞辅助(pca)和自动停车系统(远程智能停车辅助)。
4.在识别周围物体和停车空间以用于车辆的自动停车控制的技术中，使用超声波信号执行停车。
5.近年来，已经积极地进行了对通过附加地利用摄像机来执行停车的自动停车系统的研究。


技术实现要素：

6.本公开提供一种能够通过学习由摄像机获得的图像并利用学习的数据来执行准确的自动停车操作的车辆及其控制方法。
7.根据本公开的方面，一种用于执行自动停车的车辆可以包括：摄像机，被配置为获取包括停车线的车辆的周围图像；以及控制器，被配置为基于作为输入值的车辆的周围图像导出空间识别数据，基于周围图像和空间识别数据导出与停车线对应的特征点，基于特征点的聚类确定候选停车线，以及控制车辆在具有候选停车线的停车区域中执行停车。
8.控制器可以被配置为通过利用预定的第一滤波器去除车辆的周围图像的噪声，并基于包括在车辆的周围图像中的每个像素的梯度提取边缘。
9.控制器可以被配置为基于空间识别数据将包括在车辆的周围图像中的物体分类为至少一个类别。
10.控制器可以被配置为利用与停车线的宽度对应的预定的第二滤波器从车辆的周围图像和空间识别数据中导出与停车线对应的多个特征点。
11.控制器可以被配置为基于与停车线对应的多个特征点中的每一个的方向值的一贯性来确定多个特征点中的每一个的可靠性，并且基于可靠性超过预定值的特征点来确定候选停车线。
12.控制器可以被配置为当特征点对应于包括在车辆的周围图像和空间识别数据中的停车线时，基于与停车线对应的特征点确定停车区域。
13.控制器可以被配置为基于与停车线对应的像素数量与特征点的像素数量的比率
和特征点来确定停车区域。
14.控制器可以被配置为当基于车辆的周围图像确定的第一特征点和基于空间识别数据确定的第二特征点的重叠率超过预定值时，基于第一特征点和第二特征点确定候选停车线。
15.控制器可以被配置为确定多个候选停车线，确定以候选停车线的端点为边界提供的第一区域，确定在候选停车线之间的、不提供候选停车线的第二区域，并且基于第一区域中的像素数量与第二区域中的像素数量的比率确定停车区域。
16.一种用于执行自动停车的车辆的控制方法，包括：获取包括停车线的车辆的周围图像；基于作为输入值的车辆的周围图像导出空间识别数据；基于周围图像和空间识别数据导出与停车线对应的特征点；基于特征点的聚类确定候选停车线；以及控制车辆在由候选停车线组成的停车区域中执行停车。
17.确定候选停车线可以包括：通过利用预定的第一滤波器去除车辆的周围图像的噪声，以及基于包括在车辆的周围图像中的每个像素的梯度提取边缘。
18.确定候选停车线可以包括基于空间识别数据将包括在车辆的周围图像中的物体分类为至少一个类别。
19.确定候选停车线可以包括利用与停车线的宽度对应的预定的第二滤波器从车辆的周围图像和空间识别数据中导出与停车线对应的多个特征点。
20.确定候选停车线可以包括：基于与停车线对应的多个特征点中的每一个的方向值的一贯性来确定多个特征点中的每一个的可靠性；以及基于可靠性超过预定值的特征点来确定候选停车线。
21.确定候选停车线可以包括当特征点对应于包括在车辆的周围图像和空间识别数据中的停车线时，基于与停车线对应的特征点确定停车区域。
22.控制车辆在停车区域中执行停车可以包括基于与停车线对应的像素数量与特征点的像素数量的比率和特征点来确定停车区域。
23.确定候选停车线可以包括当基于车辆的周围图像确定的第一特征点和基于空间识别数据确定的第二特征点的重叠率超过预定值时，基于第一特征点和第二特征点确定候选停车线。
24.控制车辆在停车区域执行停车可以包括：确定多个候选停车线；确定以候选停车线的端点为边界提供的第一区域；确定在候选停车线之间的、不提供候选停车线的第二区域；以及基于第一区域中的像素数量与第二区域中的像素数量的比率确定停车区域。
附图说明
25.图1是根据本公开的示例性实施例的控制框图。
26.图2是用于描述根据本公开的示例性实施例的导出与停车线对应的特征点的操作的示图。
27.图3是用于描述根据本公开的示例性实施例的去除错误检测的特征点的操作的示图。
28.图4是用于描述根据本公开的示例性实施例的基于与停车线对应的像素数量与特征点的像素数量的比率确定候选停车线的操作的示图。
29.图5是用于说明根据本公开的示例性实施例的基于周围图像确定的特征点和基于空间识别数据确定的特征点的重叠操作的示图。
30.图6a和图6b是用于说明根据本公开的示例性实施例的确定停车区域并在相应的停车区域中执行自动停车的操作的视图。
31.图7是描述根据本公开的示例性实施例的用于执行自动停车的方法的流程图。
具体实施方式
32.在以下描述中，相同的附图标记在整个说明书中指代相同的元件。本说明书并未对实施例的全部要素进行描述，在本发明的示例性实施例所属的本公开领域内，不重复一般内容或实施例。诸如“单元”、“模块”、“构件”和“块”的术语可以实现为硬件或软件。根据实施例，多个“单元”、“模块”、“构件”和“块”可以实现为单个组件，或者单个“单元”、“模块”、“构件”和“块”可以包括多个组件。
33.将理解的是，当一个元件被称为“连接”另一个元件时，它可以直接或间接连接到另一元件，其中间接连接包括“通过无线通信网络的连接”。
34.此外，当部件“包括”或“包含”元件时，除非有与之相反的预定描述，否则该部件可以进一步包括其它元件，而不排除其它元件。
35.另外，当部件“包括”某个组件时，除非有相反的特别说明，否则表示可以进一步包括其它组件而不是排除其它组件。
36.在整个说明书中，当一个构件被称为位于另一构件“上”时，这不仅包括该构件与另一个构件接触的情况，而且包括另一个构件存在于两个构件之间的情况。
37.诸如第一和第二之类的术语用于将一个组件与其它组件区分开来，并且该组件不受上述术语的限制。
38.单数表达包括复数表达，除非上下文清楚地具有例外。
39.在每个步骤中，标识码是为了便于说明，标识码不描述每个步骤的顺序，除非在上下文中明确说明了具体的顺序，否则每个步骤的执行顺序可以与指定的顺序不同。
40.在下文中，将参照附图描述本公开的操作原理和实施例。
41.图1是根据本公开的示例性实施例的车辆的控制框图。
42.参照图1，根据示例性实施例的车辆1可以包括摄像机100、控制器200和驱动器300。
43.车辆1可以被实施为执行自动停车。
44.摄像机100可以具有多个通道并且获取车辆的周围图像。
45.根据实施例的摄像机100可以设置在车辆周围以执行环视监视器(surround view monitor,svm)的操作。
46.摄像机100可以包括安装在车辆1中的电荷耦合器件(ccd)摄像机或cmos彩色图像传感器。
47.此处，ccd和cmos都是指将通过摄像机100的镜头进入的光转换成电信号并存储电信号的传感器。
48.摄像机100可以获取包括停车线的车辆的周围图像。
49.控制器200可以通过学习作为输入值的周围图像来导出空间识别数据。
50.空间识别数据可以指通过利用周围图像作为输入数据执行深度学习而导出的数据。
51.具体地，空间识别数据可以指针对4通道摄像机图像中的每一个的基于深度学习的空间识别结果，或由此生成的环绕视图(surrounding view)形式的空间识别结果。
52.空间识别功能可以指将包括在图像上观察到的诸如地板(道路)、停车线、车辆、柱子和障碍物的各种物体分类为图像像素单位的基于深度学习的算法，或者基于光反射或阴影对包括在周围图像中的物体进行分类的操作。
53.驱动器300可以被设置为能够驱动车辆的装置。
54.根据实施例，驱动器300可以包括发动机并且可以包括用于驱动发动机的各种组件。
55.具体地，驱动器300可以包括制动器和转向装置，并且如果是实现车辆驱动的配置，则对装置配置没有限制。
56.控制器200可以基于空间识别数据执行诸如空闲空间、停车线、柱子或车辆的物体识别操作。
57.控制器200可以基于周围图像和空间识别数据导出与停车线对应的特征点。
58.特征点可以表示构成停车线的像素。
59.控制器200可以对特征点进行聚类。在聚类中，可以利用关于每个特征点的梯度和方向的信息。稍后将对此进行详细描述。
60.另外，控制器200可以基于特征点的聚类来确定候选停车线。
61.候选停车线可以表示作为控制器利用特征点而不是图像中包括的图像来执行自动停车的基础的停车线。
62.控制器200可以控制车辆在由候选停车线组成的停车区域中执行停车。在本公开中，控制器200可以是可编程以控制车辆中的各种电子系统的计算机、处理器(cpu)或电子控制单元(ecu)。
63.控制器200可以通过利用预定的第一滤波器从车辆的周围图像中去除噪声。
64.根据实施例，第一滤波器可以表示高斯滤波器。同时，控制器可以基于包括在车辆的周围图像中的每个像素的梯度提取边缘。
65.梯度可以表示图像中包括的像素之间的梯度关系。
66.当梯度的大小超过预定值时，控制器200可以将相应部分判断为边缘。
67.控制器200可以基于空间识别数据将包括在车辆的周围图像中的物体分类为至少一个类别。
68.具体地，考虑到算法内的处理效率，控制器200可以将包括在车辆的周围图像中的物体的分类简化为八个或更多个类别(例如，空间、停车线、其他等三个类别)。
69.当利用4通道摄像机的空间识别结果以环绕视图形式生成时，控制器200可以附加地执行图像插值(interpolation)。
70.控制器200可以利用与停车线的宽度对应的第二预定滤波器从车辆的周围图像和空间识别数据中导出与停车线对应的多个特征点。
71.根据实施例的第二滤波器可以是指顶帽滤波器(top-hat filter)。顶帽滤波器可以表示实际的空间或傅立叶空间滤波技术。
72.顶帽滤波器在宽度与滤波器尺寸成比例的线上输出高值，并且在其它区域显示低输出。
73.因此，控制器200可以执行尺寸与停车线的宽度相似的顶帽滤波，以确定具有与停车线的宽度相似的线分量的区域。
74.控制器200可以确定顶帽滤波器的输出的最大值并将该最大值确定为停车线的特征点。
75.为了从每条线的特征点确定线的方向(角度)，控制器200可以基于每个特征点的梯度来确定方向值。
76.控制器200可以通过对空间识别结果数据的顶帽滤波来提取与停车线的宽度相似的线分量特征点。
77.控制器200基于与停车线对应的多个特征点中的每一个的方向值的一贯性来确定多个特征点中的每一个的可靠性，并且基于可靠性超过预定值的特征点来确定候选停车线。
78.具体地，控制器200可以在预定方向上对摄像机原始图像或环绕视图图像执行顶帽滤波，从具有一定宽度的线分量的区域中提取线特征点，并测量每个特征点的可靠性。
79.控制器200的可靠性值可以基于顶帽滤波器在相应特征点的位置处的输出与特征点的方向之间的一贯性(coherence)来确定。
80.方向的一贯性值可以指梯度的方向性在以特征点的位置为中心的预定半径的区域内的一贯性如何。
81.控制器200可以确定在线上提取的特征点具有高的方向的一贯性值，并且从线以外的位置错误地提取的特征点具有低的一贯性值。
82.控制器200可以对空间识别结果或基于空间识别结果的环绕视图形式的结果也类似地通过顶帽滤波来提取线分量特征点。
83.控制器200可以基于该操作确定每个特征点的可靠性。在这种情况下，每个特征点的可靠性可以通过获取以相应特征点的位置为中心的预定半径内的区域内的可靠性的平均值来获得。
84.控制器200可以确定通过上述操作确定的线特征点的可靠性。
85.控制器200可以通过利用可靠性超过预定值的特征点来从线中仅提取预定阈值以上的特征点而确定候选停车线，并将其余特征点确定为噪声并去除它们。
86.可靠性的总和可以由以下等式确定。
87.[等式1]
[0088]stotal
＝w1
·sorg
+w2
·ssd
[0089]
参考等式1，s
total
表示可靠性，并且w1和w2表示与周围图像和空间识别数据中的每一个相对应的权重。
[0090]
另外，s
org
可以表示基于图像确定的可靠性，并且s
sd
可以表示基于空间识别数据确定的可靠性。
[0091]
当特征点对应于包括在车辆的周围图像和空间识别数据中的停车线时，控制器200可以基于与停车线对应的特征点确定停车区域。
[0092]
停车区域可以表示车辆通过自动停车来停车的区域。
[0093]
控制器200可以基于与停车线对应的像素数量与特征点的像素数量的比率和特征点来确定停车区域。
[0094]
下面将详细描述控制器200确定与停车线对应的像素数量与特征点的像素数量的比率的操作。
[0095]
当基于车辆的周围图像确定的第一特征点和基于空间识别数据确定的第二特征点的重叠率超过预定值时，控制器200可以基于第一特征点和第二特征点确定候选停车线。
[0096]
控制器200可以基于上述操作确定多个候选停车线。控制器200可以确定以候选停车线的端点为边界提供的第一区域。
[0097]
即，第一区域可以表示由控制器导出的候选停车线的边界点。
[0098]
控制器200可以确定在候选停车线之间的、不提供候选停车线的第二区域，并且可以基于与第一区域对应的像素数量与第二区域的像素数量的比率来确定停车区域。稍后将对此进行描述。
[0099]
控制器200可以由存储器(未示出)和处理器(未示出)来实现，该存储器存储关于用于控制车辆中的组件的操作的算法数据或再现该算法的程序的数据，该处理器利用存储在存储器中的数据执行上述操作。
[0100]
在这种情况下，存储器和处理器可以分别实现为单独的芯片。或者，存储器和处理器可以实现为单个芯片。
[0101]
可以对应于图1所示车辆的组件的性能添加或删除至少一个组件。另外，本领域的普通技术人员将容易理解的是，组件的相互位置可以对应于系统的性能或结构而改变。
[0102]
图1中所示的每个组件指的是软件和/或硬件组件，例如现场可编程门阵列(fpga)和专用集成电路(asic)。
[0103]
图2是用于描述根据示例性实施例的导出与停车线对应的特征点的操作的示图。
[0104]
参照图2，图2示出基于车辆获取的图像确定特征点p2的操作。
[0105]
在导出特征点p2之前，控制器可以执行过滤以从输入的摄像机原始图像或环绕视图数据中去除噪声，并执行提取边缘数据的操作。
[0106]
控制器可以执行类别简化任务，以对被分类为物体的空间识别数据进行有效的算法处理。
[0107]
参照图2，控制器可以在预定方向(垂直、水平方向等)上对摄像机原始图像或环绕视图图像执行一维顶帽滤波。
[0108]
具体地，顶帽滤波器可以在宽度与相应滤波器尺寸成比例的线中输出高值，并且可以在其它区域输出低值。
[0109]
控制器可以执行尺寸与停车线l2的宽度相似的顶帽滤波，以找到具有与停车线宽度相似的线分量的区域。
[0110]
另外，控制器可以将顶帽滤波器的输出的最大值确定为线的特征点p2。为了估计每个线特征点p2处的线的方向(角度)，可以确定基于梯度的方向。
[0111]
控制器可以对空间识别数据执行类似的操作。
[0112]
即，控制器可以利用与停车线l2的宽度对应的顶帽滤波器从车辆的周围图像和空间识别数据中导出与停车线对应的多个特征点。
[0113]
图3是用于描述根据示例性实施例的去除错误检测的特征点的操作的示图。
[0114]
参照图3，控制器可以将特征点p31和p32投影到空间识别结果数据的域上。
[0115]
控制器可以将特征点p31和p32与包括在车辆的周围图像和空间识别数据中的停车线p3对应。
[0116]
在这些特征点中，位于除停车线以外的物体(车辆、柱子、障碍物等)上的特征点p31被判断为确定候选停车线所不需要的特征点，因此控制器可以将对应的特征点p31视为错误检测的特征点并将其去除。
[0117]
控制器可以通过上述方法去除特征点中与停车线不对应的特征点p31，并基于与停车线对应的特征点p32确定候选停车线p33。
[0118]
图4是用于描述根据示例性实施例的基于与停车线l41、l42对应的像素数量与特征点的像素数量的比率来确定候选停车线r4的操作的示图。
[0119]
控制器可以确定与停车线对应的像素数量与特征点的像素数量的比率。
[0120]
控制器可以基于比率和特征点确定由候选停车线组成的停车区域。
[0121]
控制器可以将从周围图像和空间识别数据获得的线特征点p41、p42投影到相同的域d4，即投影到停车线l41、l42上以彼此对应。
[0122]
控制器可以对彼此相邻并且相对于线特征点具有相似方向的特征点执行聚类，并且生成候选停车线r4。
[0123]
通过控制器生成候选停车线r4可以包括确定每个候选停车线的诸如宽度、长度、方向和两个端点的位置的信息。
[0124]
为了验证提取的每个候选停车线r4是否被错误地检测，控制器利用候选停车线的两个端点和宽度的信息来估计每个候选停车线所在的区域，并基于对应候选停车线区域内的空间识别结果计算像素的比率。
[0125]
具体地，控制器可以从包括在周围图像中的停车线l41导出特征点p41。
[0126]
另外，控制器可以从设置在空间识别数据上的停车线l42导出特征点p42。
[0127]
控制器可以将这些特征点p41、p42与停车线l41、l42相关联。即，控制器可以将每个特征点p41、p42投影到域d4上。
[0128]
控制器可以确定投影的每个停车线的特征点的像素数量与对应停车线区域的像素数量的比率。该比率可以基于下面的等式2来确定。
[0129]
[等式2]
[0130][0131]
参考等式2，f
p
可以表示与停车线对应的特征点的像素数量，l
p
可以表示停车线区域中的像素数量。s
p
可以表示与停车线对应的特征点的像素数量与停车线区域中的像素数量的比率。
[0132]
当计算出的比率s
p
大于预定值时，控制器可以判断相应的特征点是停车线。
[0133]
另一方面，当该比率小于或等于预定值时，控制器可以将相应的特征点判断为错误检测的停车线并将其去除。
[0134]
即，控制器可以导出基于周围图像确定的特征点和基于空间识别数据确定的特征点。
[0135]
另外，导出的特征点p41、p42可以投影到停车线，即域上。
[0136]
当构成停车线的像素数量与每个特征点p41、p42的像素数量的比率被确定并且该比率超过预定值时，控制器可以判断相应的特征点构成停车线并将相应的特征点p41、p42确定为候选停车线r4。
[0137]
图4仅为根据本公开实施例的确定候选停车线的操作，对确定候选停车线的操作没有限制。
[0138]
图5是用于说明根据示例性实施例的基于周围图像确定的特征点p51和基于空间识别数据确定的特征点p52的重叠操作的示图。
[0139]
参照图5，当基于车辆的周围图像确定的第一特征点p51和基于空间识别数据确定的第二特征点p52的重叠率超过预定值时，控制器可以基于第一特征点p51和第二特征点p52确定候选停车线。
[0140]
对于从周围区域提取的第一特征点，控制器可以确定每个特征点附近的停车线的边界。
[0141]
控制器可以将每个特征点附近的边缘分量的大小最大的点确定为停车线边界点。
[0142]
控制器可以通过利用每个特征点和停车线边界点位置信息来估计边界框b51、b52(bounding box)。
[0143]
同样地，在空间识别数据中，控制器可以搜索与提取的第二特征点相邻的预定半径内的像素，并对相应的像素进行聚类以估计停车线区域。
[0144]
控制器可以通过将从周围图像和空间识别数据中分别提取的特征点的位置(区域)和方向等信息相互比较并融合匹配线，来确定候选停车线。
[0145]
控制器可以确定基于从周围图像获取的第一特征点估计停车线区域的边界框b51和基于从空间识别数据获取的第二特征点估计停车线区域的边界框b52的重叠区域。
[0146]
即，可以确定第一特征点和第二特征点的重叠区域o5。
[0147]
当相应的重叠区域o5超过预定值时，控制器可以判断相应的第一特征点p51和第二特征点p52形成候选停车线。
[0148]
然而，当重叠区域o5小于预定值时，控制器可以将相应的特征点判断为噪声并将其去除。
[0149]
当第一特征点p51和第二特征点p52的方向之差小于预定值并且重叠区域o5超过预定值时，控制器可以确定由相应特征点形成的区域为候选停车线。
[0150]
图6a和图6b是用于说明根据示例性实施例的确定停车区域并在相应停车区域中执行自动停车的操作的视图。
[0151]
参照图6a，控制器可以确定多个候选停车线l61、l62，确定以停车线的端点p61、p62、p63、p64为边界提供的第一区域z61，确定候选停车线之间的、不提供候选停车线的第二区域z62，并基于与第一区域z61对应的像素数量与第二区域z62中的像素数量的比率确定停车区域。
[0152]
控制器可以通过配对基于特征点确定的候选停车线来确定停车划分区域。
[0153]
具体地，停车划分区域可以表示候选停车线之间的第二区域z62。
[0154]
控制器可以通过利用每个候选停车线的端点的位置来确定第二区域z62。即，控制器可以通过每个停车线的边界确定包括停车线的停车区域，并将候选停车线之间的区域确定为第二区域z62。
[0155]
参照图6b，控制器可以利用空间识别数据确定找到的停车划分区域，即，第二区域z63、z64中的空闲停车区域z63。
[0156]
控制器可以基于以下等式确定空闲停车区域。
[0157]
[等式3]
[0158][0159]
参考等式3，pe可以表示空闲空间的概率，ps可以表示空间中的像素数量。p
l
可以表示停车线中的像素数量，p
tot
可以表示停车划分区域中的像素总数。
[0160]
具体地，控制器基于空间识别结果计算停车划分区域中存在车辆、障碍物或人的概率(pe)，并且当该概率小于预定值时判断为空闲停车空间。
[0161]
另外，当相应区域被判断为空闲停车空间时，控制器可以控制驱动器控制车辆停放在相应区域z63中。
[0162]
图6a和图6b中描述的操作仅为本公开的实施例，对确定车辆的空闲空间和停车的操作不作限制。
[0163]
图7是描述根据本公开的实施例的用于执行自动停车的方法的流程图。
[0164]
参照图7，车辆可以基于摄像机获取周围图像(1001)。车辆可以基于获取的周围图像通过深度学习导出空间识别数据(1002)。
[0165]
车辆可以基于上述操作从周围图像和空间识别数据导出特征点(1003)。
[0166]
控制器可执行去除噪声并提取边缘的预处理(1004)。
[0167]
车辆可以基于预处理的特征点确定候选停车线(1005)。
[0168]
另外，可以基于导出的候选停车线来确定停车区域并在停车区域停车(1006)。
[0169]
另一方面，所公开的示例性实施例可以以用于存储可由计算机执行的指令的记录介质的形式来实现。指令可以以程序代码的形式存储，并且当被处理器执行时，可以生成执行所公开的示例性实施例的操作的程序模块。记录介质可以被实现为计算机可读记录介质。
[0170]
计算机可读记录介质包括存储可以由计算机解码的指令的所有种类的记录介质。例如，可以有只读存储器(rom)、随机存取存储器(ram)、磁带、磁盘、闪存、光数据存储设备等。
[0171]
如上所述，已经参照附图描述了所公开的示例性实施例。尽管已经示出和描述了本公开的示例实施例，但是本领域技术人员应当理解的是，在不脱离本公开的原理和思想的情况下可以对这些实施例进行改变，本公开的范围限定在权利要求书及其等同内容中。
[0172]
根据示例性实施例的车辆及其控制方法可以学习由摄像机获得的图像并利用学习的数据执行准确的自动停车操作。

技术特征：
1.一种用于执行自动停车的车辆，包括：摄像机，获取包括停车线的所述车辆的周围图像；以及控制器，被配置为：基于作为输入值的所述周围图像导出空间识别数据，基于所述周围图像和所述空间识别数据导出与所述停车线对应的特征点，基于所述特征点的聚类导出候选停车线，以及控制所述车辆在由所述候选停车线组成的停车区域中执行停车。2.根据权利要求1所述的车辆，其中，所述控制器被配置为通过利用第一滤波器去除所述车辆的周围图像的噪声，并基于包括在所述车辆的周围图像中的每个像素的梯度提取边缘。3.根据权利要求1所述的车辆，其中，所述控制器被配置为基于所述空间识别数据将包括在所述车辆的周围图像中的物体分类为至少一个类别。4.根据权利要求1所述的车辆，其中，所述控制器被配置为利用与所述停车线的宽度对应的第二滤波器从所述车辆的周围图像和所述空间识别数据中导出与所述停车线对应的多个特征点。5.根据权利要求4所述的车辆，其中，所述控制器被配置为基于与所述停车线对应的所述多个特征点中的每一个的方向值的一贯性来确定所述多个特征点中的每一个的可靠性，并且基于可靠性超过预定值的特征点来确定所述候选停车线。6.根据权利要求1所述的车辆，其中，所述控制器被配置为当所述特征点对应于包括在所述车辆的周围图像和所述空间识别数据中的所述停车线时，基于与所述停车线对应的所述特征点确定所述停车区域。7.根据权利要求1所述的车辆，其中，所述控制器被配置为基于与所述停车线对应的像素数量与所述特征点的像素数量的比率和所述特征点来确定所述停车区域。8.根据权利要求1所述的车辆，其中，所述控制器被配置为当基于所述车辆的周围图像确定的第一特征点和基于所述空间识别数据确定的第二特征点的重叠率超过预定值时，基于所述第一特征点和所述第二特征点确定所述候选停车线。9.根据权利要求1所述的车辆，其中，所述控制器被配置为确定多个候选停车线，确定以所述候选停车线的端点为边界提供的第一区域，确定在所述候选停车线之间的、不提供所述候选停车线的第二区域，并且基于所述第一区域中的像素数量与所述第二区域中的像素数量的比率确定所述停车区域。10.一种用于执行自动停车的车辆的控制方法，包括：获取包括停车线的所述车辆的周围图像；基于作为输入值的所述周围图像导出空间识别数据；基于所述周围图像和所述空间识别数据导出与所述停车线对应的特征点；基于所述特征点的聚类确定候选停车线；以及
控制所述车辆在由所述候选停车线组成的停车区域中执行停车。11.根据权利要求10所述的方法，其中，确定所述候选停车线包括：通过利用第一滤波器去除所述车辆的周围图像的噪声，以及基于包括在所述车辆的周围图像中的每个像素的梯度提取边缘。12.根据权利要求10所述的方法，其中，确定所述候选停车线包括：基于所述空间识别数据将包括在所述车辆的周围图像中的物体分类为至少一个类别。13.根据权利要求10所述的方法，其中，确定所述候选停车线包括利用与所述停车线的宽度对应的第二滤波器从所述车辆的周围图像和所述空间识别数据中导出与所述停车线对应的多个特征点。14.根据权利要求13所述的方法，其中，确定所述候选停车线包括：基于与所述停车线对应的所述多个特征点中的每一个的方向值的一贯性来确定所述多个特征点中的每一个的可靠性；以及基于可靠性超过预定值的特征点来确定所述候选停车线。15.根据权利要求10所述的方法，其中，确定所述候选停车线包括当所述特征点对应于包括在所述车辆的周围图像和所述空间识别数据中的所述停车线时，基于与所述停车线对应的所述特征点确定所述停车区域。16.根据权利要求10所述的方法，其中，控制所述车辆在所述停车区域中执行停车包括基于与所述停车线对应的像素数量与所述特征点的像素数量的比率和所述特征点来确定所述停车区域。17.根据权利要求10所述的方法，其中，确定所述候选停车线包括当基于所述车辆的周围图像确定的第一特征点和基于所述空间识别数据确定的第二特征点的重叠率超过预定值时，基于所述第一特征点和所述第二特征点确定所述候选停车线。18.根据权利要求10所述的方法，其中，控制所述车辆在所述停车区域中执行停车包括：确定多个候选停车线；确定以所述候选停车线的端点为边界提供的第一区域；确定在所述候选停车线之间的、不提供所述候选停车线的第二区域；以及基于所述第一区域中的像素数量与所述第二区域中的像素数量的比率确定所述停车区域。

技术总结
本发明公开一种用于执行自动停车的车辆，其包括：摄像机，被配置为获取包括停车线的车辆的周围图像；以及控制器，被配置为基于作为输入值的车辆的周围图像导出空间识别数据，基于周围图像和空间识别数据导出与停车线对应的特征点，基于特征点的聚类确定候选停车线，以及控制车辆在由候选停车线组成的停车区域中执行停车。中执行停车。中执行停车。


技术研发人员：金钟模 孙旼成 李河娟 崔赈旭 李元俊 刘素希
受保护的技术使用者：起亚株式会社 现代摩比斯株式会社
技术研发日：2021.07.14
技术公布日：2022/3/8