[发明专利]一种基于深度学习的停车场动态停车位状况识别方法

权利要求书

1.一种基于深度学习的停车场动态停车位状况识别方法，其特征在于：包括如下步骤：

S1：采集停车场图像，并将采集的停车场图像划分为训练集和测试集，分别对其中的停车位进行人工标注，得到停车位的类别；

S2：对感兴趣的停车场区域和每个停车位进行检测；

S3：构建端到端的可预测停车位类别的卷积神经网络：以改进的VGG网络作为网络框架，保留网络前10层，输出层用softmax层代替，以约束类别的损失函数构建端到端的卷积神经网络；加载ImageNet数据集的VGG模型，得到权重参数初始化的神经网络，冻结其FC层之前的全部隐层权重，保持其余FC层的权重可更新；

S4：训练深度卷积神经网络CNN；

S5：加载权重，将得到的网络权重加载到步骤S3构建的卷积神经网络中；

S6：预测停车位的状况类别：读入待识别的停车位图像，输入到加载好权重的网络中进行识别，同时获得停车位状况所属类别信息；

S7：将预测框数据映射到原图中，在原图中画出预测框并且标出停车位目标所属类别标签；

S8：实时记录动态停车位类别，分析所得的实时数据，对动态停车位状况进行解译，将解译结果直接显示在屏幕。

2.根据权利要求1所述的一种基于深度学习的停车场动态停车位状况识别方法，其特征在于：所述S2中的检测具体包括如下步骤：

S2-1：读取停车场图像，设定图像的颜色空间，并将所有图像变换到该颜色空间；

S2-2：将图像数据集中的每一幅图像转化为灰度图像；

S2-3：设定边缘检测的阈值范围，采用Canny算法检测出图像的边缘；

S2-4：采用多边形填充算法检测出图像中感兴趣的停车场区域；

S2-5：利用Hough变换检测图像感兴趣区域的包含的直线；

S2-6：根据S2-5检测的Hough直线的横坐标，检测图像感兴趣区域中的停车道；

S2-7：根据S2-6确定的停车道和停车线的宽度确定每个停车位。

3.根据权利要求1所述的一种基于深度学习的停车场动态停车位状况识别方法，其特征在于：所述S3具体包括如下步骤：

S3-1：以VGGNet卷积神经网络为基础，使用简单的1*1和3*3卷积核，构建包含G个卷积层和5个池化层的卷积神经网络；

S3-2：按照下式的损失函数训练构建的卷积网络：

其中，Sn表示图片停车位的个数，函数预测类别概率损失，y_i表示真实目标类别，表示预测的目标类别；classes表示类别数。

4.根据权利要求1所述的一种基于深度学习的停车场动态停车位状况识别方法，其特征在于：所述S4具体包括如下步骤：

S4-1：批量读入训练集停车场的停车位图像；

S4-2：分别采用的水平翻转、垂直翻转、旋转、平移等方法对图像进行扩充，得到扩充后的读入的停车位图像；

S4-3：采用三次多项式插值法对扩充图像进行随机缩放，尺寸大小选择为16的倍数，得到缩放后的读入的停车位图像；

S4-4：采用三次多项式插值法对步骤S4-3得到的缩放后的停车位图像再次进行尺寸缩放，缩放至固定大小，得到能输入到卷积网络中的图像；

S4-5：采用步骤S4-4得到的固定大小图像对步骤S3构建的卷积神经网络进行训练，得到卷积神经网络对应的权重。

5.根据权利要求4所述的一种基于深度学习的停车场动态停车位状况识别方法，其特征在于：所述S4-2具体包括如下步骤：

S4-2-1：读入一幅待识别的停车位图像；

S4-2-2：分别采用的水平翻转、垂直翻转、旋转、平移等方法对图像进行扩充，得到扩充后的读入的停车位图像；

S4-2-3：采用三次多项式插值法对扩充图像进行随机缩放，尺寸大小选择为16的倍数，得到缩放后的读入的停车位图像。