[发明专利]为了提供自动停车系统检测停车空间的方法和装置

权利要求书

1.一种学习方法，利用与一个以上的可停车空间的一个以上的确定位置有关的一个以上的概率分布和与上述确定位置之间的关系有关的关系线性段信息来检测上述可停车空间，其特征在于，包括：

步骤(a)，若通过至少一个摄像头获取包含与上述可停车空间有关的至少一个停车情况图像，则学习装置执行如下流程(i)及流程(ii)，在流程(i)中，使第一卷积神经网络在上述停车情况图像适用至少一个第一卷积神经网络回归运算来计算与上述确定位置有关的一个以上的预测概率分布，在流程(ii)中，使第二卷积神经网络在上述停车情况图像适用至少一个第二卷积神经网络回归运算来生成与上述确定位置中的至少一部分之间的关系有关的预测关系线性段信息；以及

步骤(b)，上述学习装置使损失层执行如下流程(i)及流程(ii)，在流程(i)中，参照上述预测概率分布及与此对应的真值概率分布来生成第一损失之后，使用上述第一损失执行反向传播，由此，学习上述第一卷积神经网络的参数中的至少一部分，在流程(ii)中，参照上述预测关系线性段信息及与此对应的真值关系线性段信息来生成第二损失之后，使用上述第二损失执行反向传播，由此，学习上述第二卷积神经网络的参数中的至少一部分。

2.根据权利要求1所述的方法，其特征在于，

在上述步骤(a)之前，还包括如下的步骤(a0)，即，上述学习装置使最优化卷积神经网络在具有W₁×H₁×C₁的大小的上述停车情况图像适用至少一个最优化卷积神经网络运算来生成具有W₂×H₂×C₂的大小的至少一个调节的停车情况图像，

W₂及H₂分别小于W₁及H₁，C₂大于C₁，

在上述步骤(a)中，上述学习装置执行如下流程：

流程(i)，使上述第一卷积神经网络在上述调节的停车情况图像适用上述第一卷积神经网络回归运算来计算上述预测概率分布；以及

流程(ii)，使上述第二卷积神经网络在上述调节的停车情况图像上述第二卷积神经网络回归运算来生成上述预测关系线性段信息。

3.根据权利要求1所述的方法，其特征在于，在上述步骤(a)中，上述学习装置为了在上述停车情况图像适用上述第一卷积神经网络回归运算而执行如下步骤：

步骤(i)，使在上述第一卷积神经网络的至少一个第一卷积层中所包含的一个以上的第一卷积神经反复进行利用其参数来将至少一个第一卷积运算适用于所输入的值之后，向下一个第一卷积神经传递所输出的值的流程，由此生成第一特征地图；以及

步骤(ii)，使上述第一卷积神经网络的至少一个第一输出层在上述第一特征地图适用至少一个第一输出运算来生成上述预测概率分布。

4.根据权利要求3所述的方法，其特征在于，上述学习装置使上述第一输出层在上述第一特征地图适用作为至少一个全连接网络运算的上述第一输出运算来生成在第i通道内包含与一个以上的第i确定位置有关的一个以上的第i预测概率分布的至少一个预测确定位置图像，由此生成上述预测概率分布，其中，i为1以上且4以下的整数。

5.根据权利要求4所述的方法，其特征在于，各个上述第i确定位置选自各个上述可停车空间的顶点中，被选为上述第i确定位置的一个以上的特定顶点具有与自动停车的对象车辆有关的至少一个第i位置特性。

6.根据权利要求1所述的方法，其特征在于，在上述步骤(a)中，上述学习装置为了在上述停车情况图像适用上述第二卷积神经网络回归运算而执行如下步骤：

步骤(i)，使在上述第二卷积神经网络的至少一个第二卷积层中包含的一个以上的第二卷积神经反复进行利用其参数来将至少一个第二卷积运算适用于所输入的值之后，向下一个第二卷积神经传递所输出的值的流程，由此生成第二特征地图；以及

步骤(ii)，使上述第二卷积神经网络的至少一个第二输出层在上述第二特征地图适用至少一个第二输出运算来生成上述预测关系线性段信息。