一种基于深度学习的车位检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113963230A(43)申请公布日2022.01.21(21)申请号202111176323.2(22)申请日2021.10.09(71)申请人江苏大学地址212013江苏省镇江市京口区学府路301号(72)发明人黄晨屠媛孙晓强蔡英凤陈龙戴一凡(51)Int.Cl.G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T7/11(2017.01)G06T7/70(2017.01)G06V10/25(2022.01)权利要求书1页说明书4页附图6页(54)发明名称一种基于深度学习的车位检测方法(57)摘要本发明公开了一种基于深度学习的车位检测方法，搭建基于深度学习的FasterR‑CNN车位检测模型以及训练该车位检测模型，FasterR‑CNN车位检测模型包括卷积层、RPN网络层和RoI池化层；卷积层用于进行特征提取，获取特征层；RPN网络包括分类层和回归层；分类层从特征层提取出候选区域，并判断候选区域是否包含目标，如果存在目标，则利用回归层，调整候选区域所在的位置和大小；RoI池化层将RPN网络层得到的候选区域作为候选框映射到卷积层，继续分类并进一步调整候选区域位置和大小，直到获得最准确的候选区域；通过对FasterR‑CNN车位检测模型进行训练及测试，完成对FasterR‑CNN车位检测模型的搭建。利用所构造的FasterR‑CNN车位检测模型，能在图像信息复杂的情况下完成对车位的高准确率检测。CN113963230ACN113963230A权利要求书1/1页1.一种基于深度学习的车位检测方法，其特征在于，包括如下步骤：步骤1，图像数据采集以及预处理；基于预处理后的图像数据制作训练样本和测试样本；步骤2，搭建基于深度学习的FasterR‑CNN车位检测模型以及训练该车位检测模型，FasterR‑CNN车位检测模型包括卷积层、RPN网络层和RoI池化层；所述卷积层用于进行特征提取，获取特征层；所述RPN网络包括分类层和回归层；所述分类层从特征层提取出候选区域，并判断候选区域是否包含目标，如果存在目标，则利用回归层，调整候选区域所在的位置和大小；所述RoI池化层将RPN网络层得到的候选区域作为候选框映射到卷积层，继续分类并进一步调整候选区域位置和大小，直到获得最准确的候选区域即车位；利用训练样本对所构建的FasterR‑CNN车位检测模型进行训练，并利用测试样本对该模型进行测试，完成对FasterR‑CNN车位检测模型的搭建。2.根据权利要求1所述的一种基于深度学习的车位检测方法，其特征在于，所述卷积层是由50至101层ResNet残差网络构成。3.根据权利要求1所述的一种基于深度学习的车位检测方法，其特征在于，所述卷积层是由101层ResNet残差网络构成。4.根据权利要求1所述的一种基于深度学习的车位检测方法，其特征在于，以平均精确度均值mAP作所构建的FasterR‑CNN车位检测模型的评价指标。5.根据权利要求1所述的一种基于深度学习的车位检测方法，其特征在于，图像数据的预处理包括对图片进行筛选、标注和封装的处理。6.根据权利要求5所述的一种基于深度学习的车位检测方法，其特征在于，采用labelimg软件标注出图片中的具体车位。7.根据权利要求5所述的一种基于深度学习的车位检测方法，其特征在于，利用TensorFlow‑Slim软件分别对训练样本和测试样本进行封装，目的是为了满足训练模型的输入格式要求。8.根据权利要求1所述的一种基于深度学习的车位检测方法，其特征在于，利用360度环视图像采集系统拍摄不同场景和光照条件下的车位。2CN113963230A说明书1/4页一种基于深度学习的车位检测方法技术领域[0001]本发明属于智能驾驶以及自动泊车技术领域，尤其涉及一种基于深度学习的车位检测方法背景技术[0002]随着国民经济水平的提高，我国汽车总量不断增加，这样不仅导致道路上的交通拥堵成为常态，同时对于驾驶员本身而言，停车成为难题。因此智能驾驶应运而生，尤其是自动泊车技术的出现解决了大部分的停车问题。目前，自动泊车技术主要分为基于雷达的自动泊车和基于摄像头的自动泊车两种技术，其中，基于雷达的自动泊车主要依靠感应器来测量与周边物体距离，然后传给中央处理器并做出相应决策，但若在空旷的环境下就难以实现准确泊车。而基于摄像头的自动泊车可以不借助外物信息，只需通过摄像头采集图片，并计算得出最优的泊车路径。[0003]目前，很多车辆搭载先进的360度全景环视系统，通过摄像头获取车辆周围图像并处理成全景鸟瞰图，使得驾驶员全方位获