[发明专利]一种基于深度学习的车位检测方法

说明书

本发明公开了一种基于深度学习的车位检测方法，其中方法包括：数据预处理步骤，基于半监督分类的卷积神经网络模型构建步骤，停车位检测优化函数设计步骤，将训练图像输入至分类模型，进行预训练获得优化函数初始参数步骤，将训练图像输入至分类模型，进行训练步骤；本发明能够让自动驾驶汽车系统准确的检测目标车位是否可用，进而精准的在车位上停车，对自动驾驶汽车研究中的停车位检测的子问题进行了有效的解决，本发明设计了一种针对于半监督分类问题中的PU学习的目标优化函数，即使在停车位检测数据集的标记不全面的情况下，也能够正常的分类出图像中的停车位是否可用，可以处理多种情况的车位检测问题。

技术领域

本发明涉及计算机视觉技术图像分类技术领域，具体为一种基于深度学习的车位检测方法。

背景技术

停车位检测是目前汽车自动驾驶研究中十分关键且困难的问题，自动驾驶汽车，又称无人驾驶汽车、电脑驾驶汽车等，是一种通过电脑系统实现无人驾驶的智能汽车，随着深度学习领域研究的迅速发展，传统计算机视觉任务如图像分类，目标检测，语义分割等技术在深度学习的帮助下，性能和效果也得到了很大程度的提升，于是自动驾驶技术的发展也随之成熟，但是在自动驾驶中仍还有众多子问题需要解决或者更优异的效果，从而保证自动驾驶的实用性、可靠性和安全性，停车位检测作为汽车自动驾驶技术中一个关键问题，它的目标是让自动驾驶汽车在停车过程中，汽车的自动驾驶系统能够准确的判断目标车位是否可用，进而实现停车的功能。

停车位检测的基础是图像分类，图像分类是分析图像的语义信息将不同类别的图像区分开，图像分类是计算机视觉中十分重要的基础问题，也是计算机视觉中高层视觉任务，如图像分割等的基础，近年来，已经有很多研究者在图像分类这个问题上进行了大量的研究，也出现了很多优秀的分类算法，例如支持向量机方法，遗传算法，随机森林，深度学习算法等，大多数的图像监督分类算法都是建立在传统的统计模型的基础上，这需要用户使用大量的已经标记好的图像数据作为训练样本，然后通过对这些带标签的训练样本进行训练得到模型。

但是，现实中获得上述大量带标签的数据是十分困难的，一般的人工标注需要用户耗费大量的时间和精力，而用户一般并没有这些时间和经历完成对数据集的标注，所以，用户如何仅对少量数据进行标注就能进行模型训练且获得优异的分类效果成为图像分类中的一个关键问题，这个问题也是具有十分重大的现实意义和实际需求。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习的车位检测方法，解决了背景技术中提到的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的车位检测方法，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。

进一步地，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。

进一步地，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。