[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

说明书

本发明公开了一种基于深度学习的室内非均匀光线车位状况识别方法，主要解决现有识别方法在室内非均匀光线下鲁棒性差、识别精度低的问题。其实现步骤包括：1)输入图像；2)筛选图像数据集；3)对图像数据集中的图像进行计算处理，并根据计算结果获取图像标签；4)创建图像与标签一一对应的索引文件；5)搭建深度卷积神经网络CNN模型；6)划分训练集与测试集，并用训练集数据对神经网络进行训练，得到训练后的CNN模型；7)利用训练后的CNN模型获取识别结果。本发明增加了模型的鲁棒性、提高了识别精确度，且应用场景广泛，能够在复杂的室内非均匀光线中完成7分类，得到高精度的车位状况识别结果。

技术领域

本发明属于图像处理技术领域，更进一步涉及计算机视觉技术领域，具体为一种基于深度学习的室内非均匀光线车位状况识别方法。可用于在光线不均匀的室内环境中检测车位，并识别车位上是否有车。

背景技术

在室内非均匀光线的场景下，例如地下车库，由于光线分布不均匀、建筑结构复杂且车位设置较为密集，因此车位状况的识别面临着巨大挑战。现有的识别方法可归于以下其中之一或两者都具备的范畴：1)基于传感器的车位状况识别，该方法在车位检测上取得了显著的效果，但随着室内车位数量的增加，识别成本增加，逐渐被取代；2)基于图像处理的车位状况识别，相比于传统的传感器方法，该方法在识别成本上大大降低的同时，依靠图像处理技术，显著提升了识别精度并提高了应用范围。随着车位数量增加，车位状况的复杂性大大提升，因此，为了更大程度地提升识别的精度和更好地应用于复杂的非均匀光线场景，需要一种高精度且具有较强理论支撑的车位状况识别方法。

天津理工大学在其申请的专利文献“基于磁阻传感器和ZigBee的车位检测系统”中公开了一种车位检测系统。该系统具体包含：(1)结合磁阻传感器的特性、工作原理,并且对Zig Bee技术的网络体系架构、网络设备类型和网络拓扑架构进行详细分析的基础上,提出了车位检测系统的整体结构。(2)分析了车位检测节点、协调器和路由器的硬件结构基础,详细设计了主要硬件电路模块包括传感器模块、微处理器模块、串口通信模块、电源管理模块、天线及巴伦匹配电路,并对节点的硬件电路完成了PCB设计。(3)通过设计I2C总线驱动程序,提取传感器检测的磁信号,运用车位检测算法处理以判断当前车位的状态。该方法的不足之处在于：通过计算红外线、超声波、雷达等传感器到目标车辆的距离判断车位的状态，这种车位状态识别方法不仅对外界环境因素敏感，而且成本高、维护困难。

哈尔滨工业大学在其申请的专利文献“基于图像处理的室外停车场车位状态识别算法研究”中公开了一种停车场车位状态识别方法。该方法的具体步骤如下：1)设计了一种适应非规则化停车场的车位定位方法，引入了Ada Boost分类器算法识别停车场中车辆所在位置，2)引入LBP和LPQ算子提取车位图像特征，LUV颜色特征描述图像的亮度和色度，采用串行特征融合技术将纹理特征和颜色特征合并成新的特征向量,并训练SVM分类器模型实现车位状态分类。该方法存在的不足之处是：由于数据量由变换增加得到，即使能提取到较好的图像纹理与颜色特征，在实际运用中，由于室内光线的不均匀性，训练得到的模型在停车场环境下的鲁棒性并不好，精度也不高。

哈尔滨工业大学在其申请的专利文献“面向监控图像的停车场智能车位识别算法研究”中公开了一种车位识别算法。该方法具体步骤如下：1)将三维Otsu的第一维度由原始灰度值变为梯度值,增强边缘信息，2)将差分图像灰度值小于20的像素点视为背景。与一维Otsu以及基于分解的三维Otsu相比，有效地消除噪声的干扰，更好地保留边缘信息。3)提出一种区域分割模型,处理停车位遮挡问题。将每个停车位分割成9个不均匀区域。角落包含的车辆信息较少，权值设为0。中间包含的车辆信息较多,权值设为2，以此实现车位状况的识别。该方法存在的不足之处是：训练数据较少，模型复杂度较高，在室内非均匀光线下，误报率较高。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提出了一种基于深度学习的室内非均匀光线车位状况识别方法，用于提高在室内非均匀光线条件下识别的准确率，从而得到更好的车位状况识别结果。