基于双目相机的车位测量方法、装置、车载设备及介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种基于双目相机的车位测量方法、装置、车载设备及介质。

背景技术

现有技术中，一般利用超声波雷达或者单目相机融合超声波雷达对车位进行检测。由于超声波雷达测距精度有限，单目相机本身不具备深度探测信息，导致现有车位测量的准确度比较低。

发明内容

为了解决上述技术问题，本发明实施例提供了一种基于双目相机的车位测量方法、装置、车载设备及介质。

第一方面，本发明实施例提供了一种基于双目相机的车位定位方法，应用于车辆，所述车辆同侧安装第一相机及第二相机，所述方法包括：

获取所述第一相机采集的第一图像及所述第二相机采集的第二图像；

通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID；

根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点；

根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点；

根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息，所述基线距离为所述第一相机与所述第二相机之间的距离，所述相机焦距为所述第一相机或所述第二相机的焦距。

根据本公开的一种具体实施方式，所述根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息，包括：

根据所述第一匹配点、所述第二匹配点、所述相机焦距及所述基线距离确定所述深度信息；

根据所述深度信息、所述相机焦距及以下任一距离：第一实际距离和第二实际距离，确定所述坐标信息，所述第一实际距离为第一匹配点与所述第一基准角点的连线表征的实际距离，所述第二实际距离为所述第二匹配点与所述第二基准角点的连线表征的实际距离。

根据本公开的一种具体实施方式，所述根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点，包括：

将所述第一图像及所述第二图像分别转换成第一俯视图像及第二俯视图像；

分别以所述第一俯视图像及所述第二俯视图像中具有相同ID的车位角点作为所述第一基准角点及所述第二基准角点。

根据本公开的一种具体实施方式，所述根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点，包括：

将所述第一图像及所述第二图像分别转换成第一俯视图像及第二俯视图像；

根据所述第一基准角点在所述第一俯视图获取第一像素块，根据所述第二基准角点在所述第二俯视图获取第二像素块；

确定所述第一像素块的第一质心及所述第二像素块的第二质心；

根据所述第一质心及所述第一基准角点确定第一方向矢量，根据所述第二质心及所述第二基准角点确定第二方向矢量；

以所述第一基准角点为起点，沿所述第一方向矢量的反方向确定所述第一匹配点；

以所述第二基准像素点为起点，沿所述第二方向矢量的反方向确定所述第二匹配点。

根据本公开的一种具体实施方式，所述根据所述第一基准角点在所述第一俯视图获取第一像素块，根据所述第二基准角点在所述第二俯视图获取第二像素块，包括：

以所述第一基准角点为中心，预设长度为半径在所述第一俯视图中确定所述第一像素块；

以所述第二基准角点为中心，预设长度为半径在所述第二俯视图中确定所述第二像素块。

根据本公开的一种具体实施方式，所述根据所述第一匹配点、所述第二匹配点、所述相机焦距及所述基线距离确定所述深度信息，包括：

将所述第一匹配点的横坐标及所述第二匹配点的横坐标的差值作为所述第一相机坐标及所述第二相机坐标系的视差；

根据所述视差、所述相机焦距及所述基线距离计算所述深度信息。

根据本公开的一种具体实施方式，所述坐标信息包括横坐标信息，所述根据所述深度信息、所述相机焦距及以下任一距离：第一实际距离和第二实际距离，确定所述坐标信息，包括：

根据以下公式计算车位角点的横坐标信息；

其中，Xc表示所述第一匹配点与所述第一基准角点的连线表征的横向实际距离，f表示所述相机焦距，Z表示所述深度信息，X表示车位角点的横坐标信息。

根据本公开的一种具体实施方式，所述方法还包括：

采用以下公式计算所述第一匹配点与所述第一基准角点的连线表征的横向实际距离；

Xc＝(a1u-u

其中，a1u表示所述第一匹配点的横坐标，u0表示相机的光心横坐标，dx表示单位像素与距离值的转换关系，Xc表示所述第一匹配点与所述第一基准角点的连线表征的横向实际距离。

根据本公开的一种具体实施方式，所述方法还包括：

根据所述第一相机和/或所述第二相机的安装位置确定车位角点的高度信息。

第二方面，本发明实施例提供了一种基于双目相机的车位定位装置，应用于车辆，所述车辆同侧安装第一相机及第二相机，所述装置包括：

第一获取模块，用于获取所述第一相机采集的第一图像及所述第二相机采集的第二图像；

识别模块，用于通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID；

第二获取模块，用于根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点；

第三获取模块，用于根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点；

计算模块，用于根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息，所述基线距离为所述第一相机与所述第二相机之间的距离，所述相机焦距为所述第一相机或所述第二相机的焦距。

第三方面，本发明实施例提供了一种车载设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的基于双目相机的车位定位方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的基于双目相机的车位定位方法。

上述本申请提供的基于双目相机的车位测量方法、装置、车载设备及介质，获取所述第一相机采集的第一图像及所述第二相机采集的第二图像；通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID；根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点；根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点；根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息。这样，能准确检测到车位角点的坐标信息及深度信息，从而对整个停车位进行定位。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例提供的基于双目相机的车位定位方法的一流程示意图；

图2示出了本申请实施例提供的基于双目相机的车位定位方法的一应用环境示意图；

图3示出了本申请实施例提供的车位角点的一示意图；

图4示出了本申请实施例提供的基于双目相机的车位定位装置的一结构示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

实施例1

本申请实施例提供了一种基于双目相机的车位定位方法，该方法应用于车辆，所述车辆同侧安装第一相机及第二相机。参见图2，该方法包括步骤S101-S105，下面结合图2-图3对各步骤进行说明。

步骤S101，获取所述第一相机采集的第一图像及所述第二相机采集的第二图像。

请参阅图2，车辆203的同侧安装有第一相机201及第二相机202，相机可以为鱼目相机或超广角相机，在此不做限制。第一相机201及第二相机202之间的基线距离B，第一相机201采集停车场的第一图像，第二相机202也采集停车场的第二图像，对于车位角点将分别在第一相机201中成像，并在第二相机202中成像。例如，对于图2中的车位角点a来说，在第一图像中成像为车位角点a1，在第二图像中成像为车位角点a2。可以基于前视相机、车后相机及惯性测量单元(Inertial Measurement Unit，IMU)进行联合标定以及图像矫正。

步骤S102，通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID。

在一实施方式中，第一相机可以采集第一视频流，深度学习跟踪算法(如deepsort)对第一视频流的当前帧图像内的每个车位的前端车位角点进行识别，并分配ID，同样在下一帧内，识别出车位角点及其ID。车位角点可以为车位入口角点。第二相机可以采集第二视频流，深度学习跟踪算法对第二视频流的当前帧图像内的每个车位的前端车位角点进行识别，并分配ID，同样在下一帧内，识别出车位角点及其ID。对于第一视频流及第二视频流的图像中，相同车位角点的ID相同。

将相同ID的车位角点作为基准匹配角点。同一车位拥有相同ID号，如(ID1_a1，ID1_b1，ID1_a2，ID1_b2，…，ID1_an，ID1_bn)、(ID2_a1，ID2_b1，ID2_a2，ID2_b2，…，ID2_an，ID2_bn)、......、(IDn_a1，IDn_b1，ID2n_a2，IDn_b2，…，IDn_an，IDn_bn))，以此类推，IDn表示第n个车位ID，an、bn表示视频帧流里的前端角点an、bn。在本实施例中，深度学习跟踪算法可以为deepsort算法，在此不做限制。

这样，通过深度学习跟踪算法识别出基准角点，深度学习跟踪算法与传统搜索匹配算法相比，识别率和识别速度均有所提高，并且车位角点具备语义信息。

步骤S103，根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点。

在一实施方式中，步骤S103包括：

将所述第一图像及所述第二图像分别转换成第一俯视图像及第二俯视图像；

分别以所述第一俯视图像及所述第二俯视图像中具有相同ID的车位角点作为所述第一基准角点及所述第二基准角点。

在本实施例中，将第一图像及第二图像通过逆透视变换(Inverse PerspectiveMapping，IPM)变换为第一俯视图及第二俯视图。例如，若识别到车位角点为(ID1_a1，ID1_b1，ID1_a2，ID1_b2)，则可以将车位角点a1作为第一基准角点，车位角点a2作为第二基准角点。

步骤S104，根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点。

在本实施例中可以先将第一图像转换为第一俯视图，在基于第一基准角点与第一俯视图获取第一匹配点。先将第二图像转换为第二俯视图像，在基于第二基准角点与第二俯视图像获取第二匹配点。

在一实施方式中，步骤S104包括：

将所述第一图像及所述第二图像分别转换成第一俯视图像及第二俯视图像；

根据所述第一基准角点在所述第一俯视图获取第一像素块，根据所述第二基准角点在所述第二俯视图获取第二像素块；

确定所述第一像素块的第一质心及所述第二像素块的第二质心；

根据所述第一质心及所述第一基准角点确定第一方向矢量，根据所述第二质心及所述第二基准角点确定第二方向矢量；

以所述第一基准角点为起点，沿所述第一方向矢量的反方向确定所述第一匹配点；

以所述第二基准像素点为起点，沿所述第二方向矢量的反方向确定所述第二匹配点。

传统算法中直接在摄像头视角进行匹配，未考虑两个相机之间对同一特征点采取图像时存在的角度偏差，在本实施例中，将像素块匹配转换到俯视坐标系中，可以避免角度偏差，提高匹配度。加入质心计算，赋予车位角点方向信息，进一步提升了匹配精度。

在一实施例方式中，所述根据所述第一基准角点在所述第一俯视图获取第一像素块，根据所述第二基准角点在所述第二俯视图获取第二像素块，包括：

以所述第一基准角点为中心，预设长度为半径在所述第一俯视图中确定所述第一像素块；

以所述第二基准角点为中心，预设长度为半径在所述第二俯视图中确定所述第二像素块。

示范性的，以车位角点a1、a2为例，首先将第一图像及第二图像通过IPM变换转成第一俯视图及第二俯视图，以第一俯视图中的第一基准角点a1、及第二俯视图中的第二基准角点a2的像素坐标(a1u，a1v)(a2u，a2v)为中心，r为半径选取像素块，求取该像素块的质心(a1_cx，a1_cy)，(a2_cx，a2_cy)。

质心可以根据以下公式计算得到；

I为(x，y)处的像素值，r为预设长度的半径，cx为质心的横坐标，cy为质心的纵坐标。

在第一俯视图中，将第一基准角点和第一质心连接，作为其第一方向矢量，在第二俯视图中，将第二基准角点和第二质心连接，作为其第二方向矢量，保证特征角点的方向不变性。此时可以分别以第一基准角点a1及第二基准角点a2为起始点，分别沿第一方向矢量和第二方向矢量的反方向取1像素点处作为最终的第一匹配点(a1u’，a1v’)以及第二匹配点(a2u’，a2v’)。

步骤S105，根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息，所述基线距离为所述第一相机与所述第二相机之间的距离，所述相机焦距为所述第一相机或所述第二相机的焦距。

在本实施例中，选取第一匹配点及第二匹配点后，在第一相机坐标系级第二相机坐标系中计算两者之间的视差，并基于视差计算车位角点的深度信息及坐标信息。这样，能准确检测到车位角点的坐标信息及深度信息，从而对整个停车位进行定位。

在一实施方式中，步骤S105包括：

根据所述第一匹配点及所述第二匹配点确定所述深度信息；

根据所述深度信息、所述相机焦距及以下任一距离：第一实际距离和第二实际距离，确定所述坐标信息，所述第一实际距离为第一匹配点与所述第一基准角点的连线表征的实际距离，所述第二实际距离为所述第二匹配点与所述第二基准角点的连线表征的实际距离。

这样，可以快速计算得到车位角点的深度信息及坐标信息，若能根据前述方案计算得到一个车位的多个车位交点的深度信息及坐标信息，则可以精确地定位车位，提高车辆智能定位车位及智能停车的效率。

在一实施方式中，所述根据所述第一匹配点及所述第二匹配点确定所述深度信息，包括：

将所述第一匹配点的横坐标及所述第二匹配点的横坐标的差值作为所述第一相机坐标及所述第二相机坐标系的视差；

根据所述视差、所述相机焦距及所述基线距离计算所述深度信息。

在本实施例中，通过三角测距得到车位角点的深度信息。

在一实施方式中，所述将所述第一匹配点的横坐标及所述第二匹配点的横坐标的差值作为所述第一相机坐标及所述第二相机坐标系的视差，包括：

根据以下公式计算所述视差；

D＝x2-x1；

其中，D表示所述视差，x2表示第二匹配点的横坐标，x1表示所述第一匹配点的横坐标。

在一实施方式中，所述根据所述视差、所述相机焦距及所述基线距离计算所述深度信息，包括：

通过以下三角测距公式计算所述深度信息；

z＝Bf/D；

其中，B为所述基线距离，f为所述相机焦距，且f＝f1＝f2(f1、f2分别为第一相机201和第二相机202的焦距，D表示所述视差。

在一实施方式中，所述坐标信息包括横坐标信息，所述根据所述深度信息、所述相机焦距及以下任一距离：第一实际距离和第二实际距离，确定所述坐标信息，包括：

根据以下公式计算车位角点的横坐标信息；

其中，Xc表示所述第一匹配点与所述第一基准角点的连线表征的横向实际距离，f表示所述相机焦距，Z表示所述深度信息，X表示车位角点的横坐标信息。

需要说明的是，对于车位角点的纵坐标信息可以根据车位角点的横坐标的计算过程进行计算，为避免重复，在此不做赘述。

在一实施方式中，所述方法还包括：

采用以下公式计算所述第一匹配点与所述第一基准角点的连线表征的横向实际距离；

Xc＝(a1u-u

其中，a1u表示所述第一匹配点的横坐标，u0表示相机光心横坐标，dx表示单位像素与距离值的转换关系，Xc表示所述第一匹配点与所述第一基准角点的连线表征的横向实际距离。

在本实施例中，相机光心横坐标、单位像素与距离值的转换关系等参数为相机固有内参，可以通过内参标定或者相机生产厂家获取，在此不做限制。本实施例提供的方法还可以用在机器人定位、低速无人驾驶场景、AR/VR场景等，在此不做限制。

在一实施方式中，所述方法还包括：

根据所述第一相机和/或所述第二相机的安装位置确定车位角点的高度信息。

在本实施例中，车位角点a的高度信息y取摄像头安装位置，可通过卷尺或者激光测距仪多次测量取均值获取。

本实施例提供的基于双目相机的车位定位方法，获取所述第一相机采集的第一图像及所述第二相机采集的第二图像；通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID；根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点；根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点；根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息。这样，能准确检测到车位角点的坐标信息及深度信息，从而对整个停车位进行定位。

实施例2

本申请实施例提供一种基于双目相机的车位定位装置，该装置应用于车辆，所述车辆同侧安装第一相机及第二相机。

参见图4，基于双目相机的车位定位装置400包括：

第一获取模块401，用于获取所述第一相机采集的第一图像及所述第二相机采集的第二图像；

识别模块402，用于通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID；

第二获取模块403，用于根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点；

第三获取模块404，用于根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点；

计算模块405，用于根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息，所述基线距离为所述第一相机与所述第二相机之间的距离，所述相机焦距为所述第一相机或所述第二相机的焦距。

在一实施方式中，计算模块405，还用于根据所述第一匹配点、所述第二匹配点、所述相机焦距及所述基线距离确定所述深度信息；

根据所述深度信息、所述相机焦距及以下任一距离：第一实际距离和第二实际距离，确定所述坐标信息，所述第一实际距离为第一匹配点与所述第一基准角点的连线表征的实际距离，所述第二实际距离为所述第二匹配点与所述第二基准角点的连线表征的实际距离

在一实施方式中，第二获取模块403，还用于将所述第一图像及所述第二图像分别转换成第一俯视图像及第二俯视图像；

分别以所述第一俯视图像及所述第二俯视图像中具有相同ID的车位角点作为所述第一基准角点及所述第二基准角点。

在一实施方式中，第三获取模块404，还用于将所述第一图像及所述第二图像分别转换成第一俯视图像及第二俯视图像；

根据所述第一基准角点在所述第一俯视图获取第一像素块，根据所述第二基准角点在所述第二俯视图获取第二像素块；

确定所述第一像素块的第一质心及所述第二像素块的第二质心；

根据所述第一质心及所述第一基准角点确定第一方向矢量，根据所述第二质心及所述第二基准角点确定第二方向矢量；

以所述第一基准角点为起点，沿所述第一方向矢量的反方向确定所述第一匹配点；

以所述第二基准像素点为起点，沿所述第二方向矢量的反方向确定所述第二匹配点。

在一实施方式中，第三获取模块404，还用于以所述第一基准角点为中心，预设长度为半径在所述第一俯视图中确定所述第一像素块；

以所述第二基准角点为中心，预设长度为半径在所述第二俯视图中确定所述第二像素块。

在一实施方式中，计算模块405，还用于将所述第一匹配点的横坐标及所述第二匹配点的横坐标的差值作为所述第一相机坐标及所述第二相机坐标系的视差；

根据所述视差、所述相机焦距及所述基线距离计算所述深度信息。

在一实施方式中，计算模块405，还用于根据以下公式计算车位角点的横坐标信息；

其中，Xc表示所述第一匹配点与所述第一基准角点的连线表征的横向实际距离，f表示所述相机焦距，Z表示所述深度信息，X表示车位角点的横坐标信息。

在一实施方式中，计算模块405，还用于采用以下公式计算所述第一匹配点与所述第一基准角点的连线表征的横向实际距离；

Xc＝(a1u-u

其中，a1u表示所述第一匹配点的横坐标，u0表示相机的光心横坐标，dx表示单位像素与距离值的转换关系，Xc表示所述第一匹配点与所述第一基准角点的连线表征的横向实际距离。

在一实施方式中，计算模块405，还用于根据所述第一相机和/或所述第二相机的安装位置确定车位角点的高度信息。

本实施例提供的基于双目相机的车位定位装置，获取所述第一相机采集的第一图像及所述第二相机采集的第二图像；通过深度学习跟踪算法分别识别所述第一图像中各个车位的多个车位角点及所述第二图像中各个车位的多个车位角点，分别对所述第一图像及所述第一图像的各车位角点分配ID，且所述第一图像及所述第二图像中相同车位的车位角点具有相同ID；根据所述第一图像及所述第二图像中具有相同ID的车位角点分别获取第一基准角点及第二基准角点；根据所述第一基准角点及所述第一图像获取第一匹配点，根据所述第二基准角点及所述第二图像获取第二匹配点；根据所述第一匹配点、所述第二匹配点、基线距离、相机焦距计算车位角点的深度信息及坐标信息。这样，能准确检测到车位角点的坐标信息及深度信息，从而对整个停车位进行定位。

实施例3

此外，本申请实施例提供了一种车载设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所提供的基于双目相机的车位定位方法。

本实施例的车载设备可以对应的执行上述实施例1中的内容，本实施例未详细描述的部分，参照实施例1中记载的内容，在此不再赘述。

实施例4

此外，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行实施例1提供的基于双目相机的车位定位方法。

本实施例的计算机可读存储介质可以对应的执行上述实施例1中的内容，本实施例未详细描述的部分，参照实施例1中记载的内容，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。