[发明专利]一种基于深度学习的空间车位检测方法

说明书

本发明提供了一种基于深度学习的空间车位检测方法，包括如下步骤：步骤1：通过4幅超广角图像生成全景环视图像；步骤2：利用步骤a所获取的环视图像作为输入到一个已经训练好的泊车场景分割网络中去，从而输出可行驶区域、车位标记线、车辆和其他物体的分割结果；步骤3：利用步骤b分割的结果采用垂直网格搜索法推断出车位空间与具体坐标。本发明作为自动泊车系统的关键步骤，可以提供泊车时的具体车位信息。可以减少车位检测过程中因为其他噪声造成的检测不准的影响，提高车位检测系统的鲁棒性；在保证车位检测准确率的情况下，尽量提高车位检测速度。

技术领域

本发明属于智能汽车电子领域，特别涉及一种基于深度学习的空间车位检测方法。

背景技术

随着深度学习的飞速发展，尤其是在图像处理领域，取得了巨大的成功。越来越多的领域开始引入深度学习，而智能驾驶领域也不例外。深度学习广泛应用于环境感知，运动计划和智能驾驶控制决策的各个模块中，尤其是在环境感知中。

作为智能驾驶环境感知的重要组成部分，许多研究人员还使用深度学习对停车位检测进行了研究。目前，深度学习用于停车位检测，主要分为两类：基于目标检测的停车位检测和基于语义分割的停车位检测。

在基于目标检测的停车位检测方面，Lin Z等人提出了一种基于深度卷积神经网络DCNN的停车位检测方法DeepPS，此方法将全景环绕视图作为输入来检测输入图像并对所有标记点和由标记点形成的部分图像图案进行分类以检测停车位(Lin Z,Junhao H,Xiyuan Li,et al.Vision-Based Parking-Slot Detection:A DCNN-Based Approach anda Large-Scale Benchmark Dataset[J].IEEE Transactions on Image Processing,2018,27(11):5350-5364)。Zinelli等人提出了一种基于Faster R-CNN的端到端神经网络，以实现全景停车位的分类和检测(Zinelli A,Musto L,Pizzati F.A Deep-LearningApproach for Parking Slot Detection on Surround-View Images[C]//2019IEEEIntelligent Vehicles Symposium(IV),IEEE,2019:683-688.)。Yamamoto等人构造了一个卷积神经网络YOLO来检测停车位，以及一个CNN系统对停车位的几种模式进行分类，并通过仿真验证了其可行性(Yamamoto K,Watanabe K,Nagai I,Proposal of an EnvironmentalRecognition Method for Automatic Parking by an Image-based CNN[C]//2019IEEEInternational Conference on Mechatronics and Automation(ICMA),IEEE,2019:833-838)。