本發(fā)明涉及無人機飛行領域,尤其涉及一種基于無人機尋找停車位的方法。
背景技術:
用戶在到達一個露天停車場,通常情況并不知道該露天停車場是否具有空停車位以及空停車位在該露天停車場內(nèi)的位置,用戶只能開車進入露天停車場逐行逐行的尋找,看到有空停車位的情況下才能停放,如果發(fā)現(xiàn)該停車場內(nèi)無空停車位,只能開車駛出該露天停車場,尋找他處能夠停放的地方。上述用戶親自開車進入停車場尋找空停車位的方法,顯然不夠便捷。在停車位急缺的情況下,經(jīng)常會出現(xiàn)因停車場內(nèi)無空停車位而空跑一趟的情況,或在停車場有停車位的情況下,用現(xiàn)有方法不能尋找到最近的最優(yōu)停車位,這些都是亟待解決的問題。
技術實現(xiàn)要素:
針對上述問題,本發(fā)明提供一種基于無人機尋找停車位的方法。
本發(fā)明提供的一種基于無人機尋找停車位的方法,包括以下步驟:s1:無人機飛行至目標區(qū)域中心位置正上方;s2:無人機機身上設置的多個攝像頭開啟并采集無人機下方的整個目標區(qū)域的圖像;s3:無人機檢測所述圖像,從所述圖像中選定出適合用戶汽車停放的停車位;s4:無人機飛行移動至所述停車位正上方并懸停;s5:無人機反饋自身gps位置至用戶終端。
優(yōu)選地,所述步驟s3進一步包括:a1:無人機檢測并篩選出能夠容納用戶汽車的空白停車區(qū)域;a2:無人機從所述能夠容納用戶汽車的空白停車區(qū)域中選取出一個距離用戶最近的空白停車區(qū)域。
優(yōu)選地,所述步驟s3又包括:a3:采用基于汽車識別的svm分類模型檢測所述一個距離用戶最近的空白停車區(qū)域是否緊鄰已停放的汽車;如果所述一個距離用戶最近的空白停車區(qū)域緊鄰已停放的汽車,則直接選定為適合用戶汽車停放的停車位;如果所述一個距離用戶最近的空白停車區(qū)域未緊鄰已停放的汽車,則在所述一個距離用戶最近的空白停車區(qū)域周圍向外檢測距離最近的停放的汽車,并將與所述距離最近的停放的汽車鄰近的空白停車區(qū)域選定為適合用戶汽車停放的停車位。
優(yōu)選地,所述基于汽車識別的svm分類模型的生成步驟,包括:預先收集用于訓練的第一正樣本集和第一負樣本集,其中所述第一正樣本集為包含有停放的汽車的多個樣本圖像,所述負樣本集為不包含有停放的汽車的多個樣本圖像;按照設定的規(guī)格剪裁所述第一正樣本集內(nèi)的每個樣本圖像,使得所述每個樣本圖像內(nèi)只分布有一個完整的停放的汽車;分別提取第一負樣本集和剪裁后的第一正樣本集內(nèi)每個樣本圖像的特征向量;采用sigmoid核函數(shù),將所述特征向量映射成為高維空間中的特征向量;根據(jù)所述高維空間中的特征向量,獲取具有優(yōu)化參數(shù)的基于汽車識別的svm分類模型。
優(yōu)選地,所述步驟a1進一步包括:選取一個時刻對應的一個圖像幀集合,并提取所述一個圖像幀集合內(nèi)每幀圖像的特征向量,其中所述一個圖像幀集合是由無人機機身上設置的所述多個攝像頭在同一時刻分別采集的圖像構成。
優(yōu)選地,所述步驟a1進一步包括:利用基于空停車位識別的svm分類模型對所述一個圖像幀集合內(nèi)所述每幀圖像的所述特征向量進行檢測,檢測所述一個圖像幀集合內(nèi)是否包含有空白停車區(qū)域;如果所述一個圖像幀集合內(nèi)未包含有空白停車區(qū)域,則放棄所述一個圖像幀集合,按照物理存儲地址的順序選取下一時刻的一個圖像幀集合重新進行檢測;如果所述一個圖像幀集合內(nèi)包含有空白停車區(qū)域,則標記出所述一個圖像幀集合內(nèi)包含的所有空白停車區(qū)域。
優(yōu)選地,所述基于空停車位識別的svm分類模型的生成步驟,包括:預先收集用于訓練的第二正樣本集和第二負樣本集,其中所述第二正樣本集為包含有空停車位的多個樣本圖像,所述第二負樣本集為不包含有空停車位的多個樣本圖像;按照設定的規(guī)格剪裁所述第二正樣本集內(nèi)的每個樣本圖像,使得所述每個樣本圖像內(nèi)只分布有一個完整的空停車位;分別提取第二負樣本集和剪裁后的第二正樣本集內(nèi)每個樣本圖像的特征向量;采用sigmoid核函數(shù),將所述特征向量映射成為高維空間中的特征向量;根據(jù)所述高維空間中的特征向量,獲取具有優(yōu)化參數(shù)的基于空停車位識別的svm分類模型。
優(yōu)選地,所述步驟a1進一步包括:放大標記出的所述空白停車區(qū)域,將放大后的所述空白停車區(qū)域的面積與用戶所需停車位面積做差值運算得到差值量,分析所述差值量與預先設置的閾值的關系;如果所述差值量小于所述閾值,則放棄所述差值量對應的標記出的空白停車區(qū)域;如果所述差值量大于所述閾值,則所述差值量對應的標記出的空白停車區(qū)域為能夠容納用戶汽車的空白停車區(qū)域,直接進行存儲。
優(yōu)選地,所述步驟a2包括:篩選出面積最大的所述能夠容納用戶汽車的空白停車區(qū)域并存儲,其中面積最大的所述空白停車區(qū)域包括一個或多個;按照物理存儲地址的順序選取一個面積最大的所述空白停車區(qū)域,作為距離用戶最近的空白停車區(qū)域。
優(yōu)選地,所述步驟a3又包括:檢測所述距離用戶最近的空白停車區(qū)域?qū)囊粠瑘D像是否是由主攝像頭采集;如果不是由主攝像頭采集的,則保持所述主攝像頭和所述一幀圖像對應的一個輔助攝像頭開啟,關閉剩余的輔助攝像頭;如果是由所述主攝像頭采集的,則保持所述主攝像頭開啟,關閉所有輔助攝像頭。
優(yōu)選地,所述步驟s4包括:首先檢測無人機機身上攝像頭的開啟情況;當只有主攝像頭和一個輔助攝像頭開啟時:無人機朝向開啟的輔助攝像頭朝向的方位移動直至所述適合用戶汽車停放的停車位開始出現(xiàn)在主攝像頭的圖像視野范圍內(nèi);關閉所述開啟的輔助攝像頭;根據(jù)所述適合用戶汽車停放的停車位在主攝像頭的圖像中的位置距離圖像中心位置的脫靶量,無人機飛行移動至所述適合用戶汽車停放的停車位的正上方。
優(yōu)選地,所述步驟s4包括:首先檢測無人機機身上攝像頭的開啟情況;當只有主攝像頭開啟時:根據(jù)所述適合用戶汽車停放的停車位在主攝像頭的圖像中的位置距離圖像中心位置的脫靶量,無人機飛行移動至所述適合用戶汽車停放的停車位的正上方。
優(yōu)選地,所述多個攝像頭包括安裝在無人機四周側(cè)面的四個輔助攝像頭和安裝在無人機底面的主攝像頭,所述四個輔助攝像頭采集圖像的區(qū)域覆蓋無人機的前下方、后下方、左下方和右下方,所述主攝像頭采集圖像的區(qū)域覆蓋無人機的正下方。
優(yōu)選地,所述多個攝像頭采用可變焦的廣角攝像頭,所述攝像頭的焦距由控制攝像頭的超聲波電機進行控制。
本發(fā)明提供一種應用任一項上述方法的無人機。
本發(fā)明提供的一種基于無人機尋找停車位的方法,只需要用戶停留在停車場外就可知到一個露天停車場內(nèi)是否還有空停車位,避免出現(xiàn)因停車場內(nèi)無空停車位而空跑一趟的情況出現(xiàn)。
附圖說明
圖1表示本發(fā)明實施例所述的一種基于無人機尋找停車位的流程示意圖;
圖2表示本發(fā)明實施例所述的基于無人機尋找停車位中檢測并篩選出能夠容納用戶汽車的空停車位的流程示意圖;
圖3表示本發(fā)明實施例所述的基于無人機尋找停車位中選取出距離最近的空停車位的流程示意圖。
具體實施方式
下面結合附圖對本發(fā)明的技術方案作進一步的詳細描述,通過參考附圖描述的實施例是示例性的,旨在用于解釋本發(fā)明,而不能理解為對本發(fā)明的限制?;诒景l(fā)明中的實施例,本領域技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。
本發(fā)明的一個實施例為無人機在露天停車場自動搜尋空白停車位,下面對其處理流程進行詳細說明。
用戶在到達某個大型露天停車場時,使用無人機搜尋某個露天停車場中的空車位,用戶操作及無人機的處理流程如圖1中所示。
用戶通過地圖獲取停車場中心位置坐標以及停車場的區(qū)域面積,然后通過終端上的app將停車場中心位置坐標以及停車場的區(qū)域面積無線發(fā)送至無人機,無人機起飛后根據(jù)此坐標和面積生成飛行路線,飛行移動至停車場中心位置處的正上方且在豎直方向距離中心位置處一定高度(步驟10)。在上述一定高度,無人機機身上的5個攝像頭的拍攝范圍能夠覆蓋到整個停車場區(qū)域。
其中,所述停車場的面積s決定無人機升空的高度,停車場的面積s越大,無人機升空的高度h相對升高,無人機升空的高度h設置示例性的如下:在一個
無人機到達設定的位置后,向用戶終端反饋到達設定點位置信息,然后用戶通過終端上的app開啟搜尋功能,無人機無線接收到搜尋指令后,無人機內(nèi)部處理器控制無人機機身上的主攝像頭和四個輔助攝像頭開始同步并行的對整個停車場區(qū)域進行圖像采集(步驟20)。某一時刻,無人機機身上的主攝像頭和四個輔助攝像頭采集的停車場圖像經(jīng)常規(guī)處理后形成與該時刻對應的一個圖像幀集合,每個圖像幀集合內(nèi)包含有5幀圖像,即在某一時刻,無人機機身上5個攝像頭采集生成5幀圖像,形成該時刻的一個圖像幀集合。
其中,所述無人機機身上,除去位于無人機正下方的主攝像頭外,無人機的前側(cè)端面、后側(cè)端面、左側(cè)端面和右側(cè)端面的正中位置處都分別安裝有一個輔助攝像頭,所述主攝像頭和四個輔助攝像頭可以采集的圖像區(qū)域覆蓋無人機的正下方、前下方、后下方、左下方、右下方等五個方向。當無人機位于停車場上空的適合高度時,無人機機身上的主攝像頭和四個輔助攝像頭可以采集的圖像區(qū)域能夠覆蓋整個目標區(qū)域。無人機機身上安裝的四個輔助攝像頭都為可變焦的廣角攝像頭,攝像頭的焦距可由控制攝像頭的超聲波電機進行控制,同時超聲波電機的控制由無人機的處理器通過電機驅(qū)動控制芯片實現(xiàn)。所述主攝像頭和四個輔助攝像頭通過感光元件將物體反射的光線轉(zhuǎn)換成原始的光學信息并存儲,然后通過內(nèi)部傳輸接口如移動產(chǎn)業(yè)處理器接口(mipi,mobileindustryprocessorinterface)或者串口,采用通用的數(shù)據(jù)傳輸協(xié)議將采集的圖像傳輸至無人機并存儲在存儲器內(nèi),以便進行進一步的處理。
無人機對上述采集的圖像進行檢測并篩選出能夠容納用戶汽車的空停車位(步驟30)。
在上述步驟中,具體的,如圖2所示,無人機內(nèi)部處理器選取某一時刻對應的一個圖像幀集合,并對選取出來的所述一個圖像幀集合內(nèi)包含的5幀圖像進行特征向量的提?。ú襟E301),其中涉及到對每幀圖像進行特征向量的提取方法可采用現(xiàn)有的常規(guī)方法。
具體的,選取某一時刻對應的一個圖像幀集合并對該圖像幀集合內(nèi)每幀圖像進行特征向量的提取,此處僅以方向梯度直方圖(histogramoforientedgradient,hog)算法作為例舉進行示例性說明。hog特征提取方法的步驟如下所示:
將每幀圖像灰度化;
采用gamma矯正法對每幀圖像進行顏色空間的歸一化,gamma矯正的數(shù)學表示式為:
計算每幀圖像中每個像素點的梯度,包括大小和方向,其梯度計算的數(shù)學表示式為:
將每幀圖像劃分成數(shù)個小單元cell,如6*6的像素點組成的區(qū)域窗口,統(tǒng)計每個單元cell的梯度直方圖,形成每個單元cell的descriptor;
選取數(shù)個上述單元cell組成一個區(qū)塊block,將一個區(qū)塊block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到一個區(qū)塊block的hog特征,每幀圖像可組成數(shù)個區(qū)塊block,得到數(shù)個區(qū)塊block的hog特征;
將每幀圖像內(nèi)所有區(qū)塊block的hog特征串聯(lián)起來得到每幀圖像的特征向量。然后利用同樣的方法依次提取出上述一個圖像幀集合每幀圖像的特征向量。
然后無人機內(nèi)部處理器利用基于空停車位識別的支持向量機(svm,supportvectormachine)分類模型對上述一個圖像幀集合每幀圖像所提取出的特征向量進行檢測,檢測上述圖像幀集合中是否有空停車位(步驟302):如果在上述一個圖像幀集合中未檢測到有空停車位,說明檢測出現(xiàn)錯誤或者在上述圖像幀集合對應的時刻,該停車場已停滿車,則放棄上述一個圖像幀集合,返回到步驟20,重新開始進行圖像采集(步驟303);如果在上述一個圖像幀集合中檢測到有空停車位,則標記出上述圖像幀集合內(nèi)每幀圖像中的空停車位(步驟304);
其中,所述基于空停車位識別的svm分類模型是事先通過對大量空停車位的樣本圖像進行特征提取以及訓練得到并存儲在無人機內(nèi)的存儲器內(nèi),所述基于空停車位識別的svm分類模型的生成以及對上述一個圖像幀集合每幀圖像所提取出的特征向量進行檢測的過程具體如下:
首先,預先收集大量的停車場內(nèi)空停車位樣本圖像和大量的非空停車位樣本圖像,其中包含有空停車位的樣本圖像為第二正樣本集,不包含有空停車位的樣本圖像為第二負樣本集;將上述第二正樣本集內(nèi)的每個樣本圖像按照設定的規(guī)格依次進行剪裁,確保剪裁后的每個樣本圖像內(nèi)只分布有一個完整的空停車位;上述第二負樣本集不做剪裁處理;
其次,提取出上述剪裁后的第二正樣本集和第二負樣本集的特征向量;
再次,采用sigmoid核函數(shù),將上述兩類樣本的特征向量數(shù)據(jù)映射到高維空間,避免出現(xiàn)在原始空間中找不到滿足條件的函數(shù)參數(shù)以將兩類樣本數(shù)據(jù)劃分區(qū)別開來的情況;
然后,將上述兩類樣本的特征向量作為具有初始化參數(shù)的svm分類器的輸入,經(jīng)訓練后得到具有優(yōu)化參數(shù)的svm分類器,具有優(yōu)化參數(shù)的svm分類器就是所需要的基于空停車位識別的svm分類模型;
最后,使用上述生成的基于空停車位識別的svm分類模型在高維空間中對上述一個圖像幀集合每幀圖像所提取出的特征向量進行分類標記,從而標記出上述一個圖像幀集合每幀圖像中空停車位部分和非空停車位部分。
以數(shù)學模型的方式對上述分類標記的過程進行示例描述,即:上述一個圖像幀集合每幀圖像所提取出的特征向量中包括屬于空停車位類別的特征向量和屬于非空停車位類別的特征向量,如果用x表示特征向量數(shù)據(jù),y=1或-1表示特征向量數(shù)據(jù)的類別,例如可以是y=1表示屬于空停車位類別的特征向量,y=-1表示屬于非空停車位類別的特征向量,則屬于空停車位類別的特征向量都可以表示為(x,1),屬于非空停車位類別的特征向量都可以表示為(x,-1),這兩類特征向量映射到高維空間即表示兩類高維離散坐標點,而上述基于空停車位識別的svm分類模型需要預先進行樣本訓練的目的是要在高維空間中找到一個超平面z=f(x,y),能夠?qū)⑸鲜鰞深愖鴺它c區(qū)分開來,具體為f(x,y)>0的點對應上述y=1的所有坐標點,f(x,y)<0的點對應上述y=-1的所有坐標點,即f(x,y)>0的點都屬于空停車位類別的特征向量,f(x,y)<0的點都屬于非空停車位類別的特征向量。另外,還有一類f(x,y)=0的點屬于特征不明顯的點,不能明確的歸屬為空停車位類別的特征向量或非空停車位類別的特征向量,對于f(x,y)=0的點,則直接丟棄,有利于減少錯誤率。
因此上述經(jīng)訓練得到的具有優(yōu)化參數(shù)的基于空停車位識別的svm分類器即為我們所需的能夠?qū)深愖鴺它c區(qū)分開來的這樣一個超平面函數(shù),利用這樣一個超平面函數(shù)就能夠?qū)σ粋€圖像幀集合每幀圖像所提取出的特征向量進行分類標記。
回到圖2中,在標記出上述圖像幀集合內(nèi)每幀圖像中的空停車位后,然后以實際停車位等同的比例倍數(shù)放大上述標記的空停車位,計算上述放大后的標記的空停車位區(qū)域面積,并與用戶汽車所需的實際停車位區(qū)域面積做差值運算(步驟305);判斷上述差值量是否大于系統(tǒng)內(nèi)預先設置的閾值(步驟306):如果上述差值量小于閾值,說明參與計算的標記的空停車位所對應的停車場中的實際停車位區(qū)域不足以用來停放用戶汽車,則直接放棄此差值量對應的標記的空停車位(步驟307);如果上述差值量大于閾值,說明參與計算的標記的空停車位所對應的停車場中的實際停車位區(qū)域能夠停放用戶汽車,則存儲上述能夠容納用戶汽車的空停車位數(shù)據(jù)(步驟308)。
回到圖1中,在篩選出能夠容納用戶汽車的空停車位后,需要進一步選取出距離用戶最近的空停車位(步驟40)。
具體的,在上述步驟中,如圖3所示,計算上述篩選出的能夠容納用戶汽車的空停車位的面積,并比較各面積的大小,篩選出面積最大的空停車位并存儲(步驟401),其中篩選出的面積最大的空停車位是距離用戶最近的,篩選出的面積最大的空停車位可能包含數(shù)個,然后按照存儲地址的順序從中選取一個篩選出的面積最大的空停車位(步驟402);找到上述選取出的空停車位所對應的一幀圖像(步驟403);檢測上述步驟中選取出的面積最大的停車場所對應的一幀圖像是否是由主攝像頭采集的(步驟404):如果上述面積最大的停車場所對應的一幀圖像是由主攝像頭采集的,則保持該主攝像頭開啟并關閉四個輔助攝像頭(步驟405;如果上述面積最大的停車場所對應的一幀圖像不是由主攝像頭采集的,即是由四個輔助攝像頭中的任意一個采集的,則保持主攝像頭和該幀圖像對應的輔助攝像頭開啟,關閉其余的輔助攝像頭(步驟406)。
繼續(xù)回到圖1中,在選取出距離用戶最近的空停車位后,需要進一步判斷選取出的空停車位是否緊鄰停放的其它汽車(步驟50):如果上述選取出的空停車位不是緊鄰停放的其它汽車,說明上述選取出的空停車位周圍可能還緊鄰著另外的空停車位,為了避免間隔停放,需要檢測出距離上述選取出的空停車位最近的停放的其它汽車,然后將停放的其它汽車緊鄰的空停車位確定為用戶可以停放的車位(步驟60);如果該暫定的空停車位周圍檢測到停放有汽車,說明上述選取出的空停車是緊鄰周圍停放的汽車的,用戶的汽車可以直接停放在上述選取出的空停車位,然后將緊鄰停放的汽車的上述選取出的空停車位確定為用戶汽車可以停放的車位(步驟70),無人機飛行移動至確定為用戶汽車可以停放的車位的正上方并懸停(步驟80)。
在上述步驟50中,具體的,在進一步判斷選取出的空停車位是否緊鄰停放的其它汽車時,需要用到基于汽車識別的svm分類模型對選取出的空停車位對應的該幀圖像中選取出的空停車位周圍的圖像是否存在汽車進行檢測,其中此處用到的基于汽車識別的svm分類模型是事先通過對大量停車場內(nèi)停放的汽車的樣本圖像進行特征提取以及訓練得到并存儲在無人機內(nèi)的存儲器內(nèi),所述基于汽車識別的svm分類模型的生成以及對選取出的空停車位對應的該幀圖像中選取出的空停車位周圍的圖像是否停放有汽車進行檢測的具體過程如下:
首先,預先收集大量的停車場內(nèi)停放的汽車的樣本圖像和大量的空停車位樣本圖像,其中包含有停放的汽車的樣本圖像為第一正樣本集,不包含有停放的汽車的樣本圖像為第一負樣本集;將上述第一正樣本集內(nèi)的每個樣本圖像按照設定的規(guī)格依次剪裁,使得所述每個樣本圖像內(nèi)只分布有一個完整的停放的汽車;上述第一負樣本集不做剪裁處理;
其次,提取出上述剪裁后的第一正樣本集和第一負樣本集的特征向量;
再次,采用sigmoid核函數(shù),將上述兩類樣本的特征向量數(shù)據(jù)映射到高維空間,避免在原始空間中出現(xiàn)找不到滿足條件的參數(shù)函數(shù)將兩類樣本數(shù)據(jù)劃分區(qū)別開來的情況;
然后,將上述兩類樣本的特征向量作為具有初始化參數(shù)的svm分類器的輸入,經(jīng)訓練后得到svm分類器的優(yōu)化參數(shù),具有優(yōu)化參數(shù)的svm分類器就是所需要的基于汽車識別的svm分類模型;
最后,使用上述生成的基于汽車識別的svm分類模型在高維空間中對選取出的空停車位周圍的圖像進行分類標記,檢測識別選取出的空停車位周圍是否停放有汽車。
以數(shù)學模型的方式對上述分類標記的過程進行示例描述,即:上述選取出的空停車位周圍的圖像的特征向量中包括屬于汽車類別的特征向量和屬于空停車位類別的特征向量,如果用x表示特征向量數(shù)據(jù),y=2或-2表示特征向量數(shù)據(jù)的類別,例如可以是y=2表示屬于汽車類別的特征向量,y=-2表示屬于空停車位類別的特征向量,則屬于汽車類別的特征向量都可以表示為(x,2),屬于空停車位類別的特征向量都可以表示為(x,-2),這兩類特征向量映射到高維空間即表示兩類高維離散坐標點,而上述基于汽車識別的svm分類模型需要預先進行樣本訓練的目的是要在高維空間中找到一個超平面z=f(x,y),能夠?qū)⑸鲜鰞深愖鴺它c區(qū)分開來,具體為f(x,y)>0的點對應上述y=2的所有坐標點,f(x,y)<0的點對應上述y=-2的所有坐標點,即f(x,y)>0的點都屬于汽車類別的特征向量,f(x,y)<0的點都屬于空停車位類別的特征向量。另外,還有一類f(x,y)=0的點屬于特征不明顯的點,不能明確的歸屬為空停車位類別的特征向量或汽車類別的特征向量,對于f(x,y)=0的點,則直接丟棄,有利于減少錯誤率。
因此上述經(jīng)訓練得到的具有優(yōu)化參數(shù)的基于汽車識別的svm分類器即為我們所需的能夠?qū)深愖鴺它c區(qū)分開來的這樣一個超平面函數(shù),利用這樣一個超平面函數(shù)就能夠?qū)ι鲜鲞x取出的空停車位周圍的圖像的特征向量進行分類標記。
返回至圖1中的步驟60,在檢測出距離選取出的空停車位不遠處的周圍停放有汽車后,接著執(zhí)行步驟70,即將緊鄰檢測出的停放的汽車的空停車位作為用戶汽車可以停放的車位。
在步驟80中,無人機飛行移動至確定為用戶汽車可以停放的車位的正上方的過程如下述步驟中所述:
首先監(jiān)測無人機機身上各攝像頭的開啟情況,對于上述開啟主攝像頭和一個輔助攝像頭的情況,然后無人機的處理器驅(qū)動無人機的飛行控制單元使得無人機朝向開啟的輔助攝像頭所朝向的側(cè)面方向移動直至上述確定為用戶汽車可以停放的車位在某一時刻開始出現(xiàn)在主攝像頭采集的圖像內(nèi),當上述確定為用戶汽車可以停放的車位在主攝像頭中出現(xiàn)后,開啟的輔助攝像頭可以關閉,然后無人機的處理器根據(jù)上述確定為用戶汽車可以停放的車位在主攝像頭的圖像中的位置距離圖像中心位置的脫靶量,驅(qū)動無人機的飛行控制單元控制無人機朝向確定為用戶汽車可以停放的車位飛行移動以使得無人機移動到上述確定為用戶汽車可以停放的車位的正上方,此時用戶汽車可以停放的車位應該是位于無人機開啟的主攝像頭采集的圖像內(nèi)的中心位置處,即此時用戶汽車可以停放的車位在主攝像頭的圖像中的位置距離圖像中心位置的脫靶量為零;對于上述只開啟主攝像頭的情況,無人機的處理器根據(jù)上述確定為用戶汽車可以停放的車位在該主攝像頭采集的圖像中的位置距離圖像中心位置的脫靶量,驅(qū)動無人機的飛行控制單元控制無人機朝向上述確定為用戶汽車可以停放的車位飛行移動以使得無人機移動到上述選取出的目標對象的正上方。
在無人機朝向開啟的輔助攝像頭所朝向的側(cè)面方向移動的過程中,在開啟的輔助攝像頭采集的圖像內(nèi),檢測到上述確定為用戶汽車可以停放的車位應該是逐漸往圖像的邊緣移動,同時在開啟的主攝像頭采集的圖像內(nèi),上述確定為用戶汽車可以停放的車位是從無到出現(xiàn)在采集的圖像邊緣,然后逐漸往采集的圖像中心移動的過程。如果沒有出現(xiàn)上述現(xiàn)象,則說明此次檢測失敗,則丟棄此時刻對應的圖像幀集合,按照存儲地址順序選取下一時刻對應的圖像幀集合并重新開始檢測空白停車位。
無人機懸停后,會將無人機的gps位置信息無線發(fā)送至用戶終端(步驟90),用戶根據(jù)無人機的gps位置,就能找到將要停放的車位。
本領域技術人員在考慮說明書及實踐這里公開的發(fā)明后,將容易想到本發(fā)明的其它實施方案。本申請旨在涵蓋本發(fā)明的任何變型、用途或者適應性變化,這些變型、用途或者適應性變化遵循本發(fā)明的一般性原理并包括未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的,本發(fā)明的真正范圍和精神由下面的權利要求指出。
應當理解的是,本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結構,并且可以在不脫離其范圍進行各種修改和改變。本發(fā)明的范圍僅由所附的權利要求來限制。