[发明专利]基于深度学习的室内非均匀光线车位状况识别方法

权利要求书

1.一种基于深度学习的室内非均匀光线车位状况识别方法，其特征在于，包括如下步骤：

(1)将室内摄像头拍摄得到的图像输入到计算机；

(2)设定亮度阈值为30，从计算机中筛选出亮度大于30的所有图片，作为图像数据集；

(3)获取图像标签：

(3a)对图像数据集中的每一幅图像做如下处理：

(3a1)框选出像素点位置为(23:39,88:128)与(40:56,88:128)的两个矩形框图像，设其分别为sub1、sub2；

(3a2)将sub1、sub2分别灰度化，得到两个灰度图像；

(3a3)计算两个灰度图像对应的梯度图，分别求这两个梯度图的梯度均方误差gm，得到sub1的梯度均方误差gm均值s1，以及sub2的梯度均方误差gm均值s2；

(3b)根据每一幅图像的s1与s2大小，对该图像进行分类，即获取图像标签：

当s1＝10且s2＝10时，为第1类，此时两车位均禁用；

当10s153且s2＝10时，为第2类，此时车位1无车，车位2禁用；

当s1＝53且s2＝10时，为第3类，此时车位1有车，车位2禁用；

当10s153且10s253时，为第4类，此时车位1无车，车位2无车；

当s1＝53且10s253时，为第5类，此时车位1有车，车位2无车；

当10s153且s2＝53时，为第6类，此时车位1无车，车位2有车；

当s1＝53且s2＝53时，为第7类，此时车位1有车，车位2有车；

其余情况均定义为第8类，舍去该类图像；

(4)将第1-7类图像的尺寸缩小至180*320，并按照“图像名类别序号-1”的顺序写入文本文档txt，得到图像与标签一一对应的索引文件；

(5)搭建一个11层的深度卷积神经网络CNN，其中包含6个卷积层、3个池化层以及2个全连接层；

(6)训练深度卷积神经网络CNN：

将索引文件划分为训练集和测试集两部分，并将训练集中的图像数据输入深度卷积神经网络CNN中进行学习训练，得到训练后的CNN模型；

(7)获取识别结果：

将测试集中的图像数据输入训练后的CNN模型，获取长度为7的一维向量，并将其转化为十进制数，得到车位状况的识别结果：

第一类为无车位；

第二类为有一个车位，且车位上无车；

第三类为有一个车位，且车位上有车；

第四类为有两个车位，且两车位上均无车；

第五类为有两个车位，且车位1有车，车位2无车；

第六类为有两个车位，且车位1无车，车位2有车；

第七类为有两个车位，且车位1与车位2均有车。

2.根据权利要求1所述方法，其特征在于：步骤(3a)中图像数据集中的每一幅图像尺寸均为720*1280，且在各图像左上角均带有拍摄时的数据记录。

3.根据权利要求1所述方法，其特征在于：步骤(5)中的深度卷积神经网络CNN，具体搭建步骤如下：

(3a)第一层为卷积层，由32个3*3的卷积核构成，步长为1，不补零，激活函数为线性规划单元ReLU；

(3b)第二层为卷积层，由32个3*3的卷积核构成，步长为1，激活函数为线性规划单元ReLU；

(3c)第三层为池化层，由单个2*2的最大池化核构成，步长为2，无激活函数；

(3d)第四层为卷积层，由64个3*3的卷积核构成，步长为1，激活函数为线性规划单元ReLU；

(3e)第五层为卷积层，由64个3*3的卷积核构成，步长为1，激活函数为线性规划单元ReLU；

(3f)第六层为池化层，由单个2*2的最大池化核构成，步长为2，无激活函数；

(3g)第七层为卷积层，由128个3*3的卷积核构成，步长为1，激活函数为线性规划单元ReLU；

(3h)第八层为卷积层，由128个3*3的卷积核构成，步长为1，激活函数为线性规划单元ReLU；

(3i)第九层为池化层，由单个2*2的最大池化核构成，步长为2，无激活函数；

(3j)第十层为全连接层，输出为长度1000的一维向量；

(3k)第十一层为全连接层，输出为长度7的一维向量。