[发明专利]一种基于深度学习的车位检测方法

权利要求书

1.一种基于深度学习的车位检测方法，其特征在于：所述方法采用半监督学习中PU学习方法，针对于整个图像数据集，包括以下步骤：

S1、数据预处理，以对输入图像进行统一标准化图像数据的预处理；

S2、基于半监督分类的卷积神经网络模型构建；

S3、停车位检测优化函数设计，且在设计好S2中的网络模型后，对网络的输出设计目标函数，所述目标函数为：

S4、将训练图像输入至分类模型，进行预训练获得优化函数参数γ，将S1中处理好的PU数据集作为模型的输入，先进行预训练自动获得目标函数所需的初始参数γ；

S5、将训练图像输入至分类模型，进行训练步骤，将S1中处理好的数据作为模型的输入，通过优化目标函数的输出值，对模型的参数进行矫正，通过多轮训练达到收敛后来获得分类模型的最终效果。

2.根据权利要求1所述的一种基于深度学习的车位检测方法，其特征在于：所述数据预处理S1中包括数据增广的方法，其中方法包括图像大小归一化、图像旋转和图像水平翻转处理。

3.根据权利要求2所述的一种基于深度学习的车位检测方法，其特征在于：所述S1中所使用的数据是仅有部分标注正样本数据集对分类模型进行训练。

4.根据权利要求3所述的一种基于深度学习的车位检测方法，其特征在于：所述S2使用的为一般的深度神经网络结构，直接将进行图像预处理S1后的图像数据作为模型的输入，以使得神经网络模型学到更好的图像数据的表征，具有更强的泛化能力和鲁棒性。

5.根据权利要求4所述的一种基于深度学习的车位检测方法，其特征在于：所述S3设计的目标函数是一种能够处理PU分类要求的目标优化函数。

6.根据权利要求5所述的一种基于深度学习的车位检测方法，其特征在于：所述S4中预训练是为了获得目标函数的初始参数γ，且通过预训练所得参数γ的设定，目标函数可以让网络模型更好的训练PU数据集，以达到理想的效果。

7.根据权利要求6所述的一种基于深度学习的车位检测方法，其特征在于：所述S4中预训练可以被跳过，为目标函数设定一个初始的参数γ，跳过预训练而直接进行正式的训练。

8.根据权利要求7所述的一种基于深度学习的车位检测方法，其特征在于：所述S5还包括对目标函数的初始参数γ的修正，通过观察变化初始参数γ大小后训练完毕的模型效果，矫正参数γ最终获得最优的模型。