[发明专利]一种泊车位检测方法

权利要求书

1.一种泊车位检测方法，其特征在于，包括以下步骤：

S1、构建大规模、带标注的、面向泊车位感知问题的环视图像数据集；采用目标检测框架进行泊车位控制点检测；

S2、将检测到的控制点两两配对形成点对组合，对上述点对进行初步筛选后，采用分类模型对泊车位入口线进行分类；分类模型采用基于深度卷积神经网络的自定义模型；

S3、通过判断泊车位的类型以及入口线方向进行泊车位推断；

训练泊车位控制点检测模型，其包含如下步骤：

S11、准备数据，采集一批环视泊车位图像构建训练数据集，同时对其进行人工标注；

S12、修改网络参数，归一化约束框尺寸；

S13、在步骤S11中的数据集上进行训练后，得到泊车位控制点检测模型；

训练自定义深度卷积神经网络的泊车位入口线分类模型，其包含如下步骤：

S21、准备数据，将步骤S11的训练数据集中所标注出的泊车位控制点分别进行两两配对，筛选出合法点对，进行邻域提取，得到7类数据样本构成数据集；所述的7类数据样本分别为：（a）泊车位方向朝上的直角泊车位；（b）泊车位方向朝右上的斜向泊车位；（c）泊车位方向朝左上的斜向泊车位；（d）泊车位方向朝下的直角泊车位；（e）泊车位方向朝左下的斜向泊车位；（f）泊车位方向朝右下的斜向泊车位；（g）不构成泊车位；

S22、设计自定义深度卷积神经网络结构和相关参数；

S23、使用步骤S22中设计的深度神经网络框架，在步骤S21的数据集上进行训练后，得到泊车位入口线分类模型。

2.根据权利要求1所述的泊车位检测方法，其特征在于，步骤S1所述的目标检测框架是基于深度学习的目标检测框架，采用R-CNN，Fast R-CNN，Faster R-CNN，YOLO，SSD，YOLOv2目标检测框架的其中一种；

步骤S2所述的分类模型是基于深度卷积神经网络的分类模型，采用AlexNet，GoogleNet，ResNet，ShuffleNet的其中一种。

3.根据权利要求1所述的泊车位检测方法，其特征在于，在训练泊车位控制点检测模型的步骤中，考虑到样本多样性，采用等比例旋转的方法对数据进行扩充，对每张训练样本每隔15度进行一次旋转，使数据量扩充为原来的24倍；

数据集标注时需要记录泊车位控制点的坐标和能够组成泊车位的控制点点对序号。

4.根据权利要求1所述的泊车位检测方法，其特征在于，步骤S21中，所述点对是有序的，即（P1，P2）和（P2，P1）是不同类别的样本；

考虑到样本的不平衡的问题，即训练数据的类别分布不均，采用SMOTE过采样的方法为数据量较少的类合成新样本。

5.根据权利要求1所述的泊车位检测方法，其特征在于，在对泊车位入口线进行分类后，按照以下方式推断出合理的泊车位：

S31、分类结果为直角泊车位时，根据先验知识给定泊车位的“深度”，推断出剩余两个未标注泊车位角点的位置，其中“深度”是指与泊车位入口线垂直的另一侧的长度；

S32、分类结果为斜向泊车位时，先使用高斯线检测器在倾斜方向的各个角度进行探测，找出卷积分数最高的方向确定倾斜角，再根据泊车位的“深度”推断出剩余角点。

6.根据权利要求1所述的泊车位检测方法，其特征在于，所述的泊车位控制点检测模型，数据集方面，泊车位方向包括平行式泊车位、垂直式泊车位以及斜向泊车位；泊车位所处环境包含室内和室外两种，其中室外环境又包括多云、晴天、阴雨天、晴天有树阴遮挡、地面积水、路灯光照条件、强烈光照条件。

7.根据权利要求1所述的泊车位检测方法，其特征在于，步骤S21中，所述筛选合法点对的依据是两个泊车位控制点间的距离；

所述邻域提取是指，沿着一对合法点对连线垂直的方向和平行的方向分别扩充△x和△y个像素后，提取出图像块，通过缩放旋转后使得图像块大小为48×192像素，并且点对的连线与水平面平行；当邻域超出了图像范围的时候，则舍弃这对点对不进行处理。

8.根据权利要求1所述的泊车位检测方法，其特征在于，所述的泊车位入口线分类模型，步骤S22中，所述的自定义深度卷积神经网络框架的输入图像大小为48×192像素，输出层有7个节点，分别对应权利要求7中所述的7类分类结果；自定义深度卷积神经网络框架包括4个卷积层，3个最大池化层，2个归一化层和2个全连接层。