[发明专利]基于GhostNet的轻量化空车位识别算法

权利要求书

1.基于GhostNet的轻量化空车位识别算法，其特征在于，方法包括以下步骤：

步骤一：基于已有的车位数据集，在已有的车位数据集上加上实地采集图片，构建空车位检测数据集，通过labeling进行标注，标注类型主要分为两类空车位以及车位角点；

步骤二：构建GhostNet轻量级网络，并将GhostNet作为主干特征提取网络；

步骤三：使用GhostNet输出的13×13、26×26两个尺度的有效特征层，构建加强特征提取网络，并嵌入SPPF以及注意力模块；

步骤四：使用Decoupled Head对有效特征层进行回归预测，从而生成基于GhostNet的轻量化空车位识别模型；

步骤五：在基于GhostNet的轻量化空车位识别模型构建完成后，首先检测空车位，对空车位内的检测到的车位角点连线作为一对用于泊车车位角点，根据生成的用于泊车车位角点进行下一步的路径规划，并根据泊车车位角点之间的距离判断车位的类型。

2.根据权利要求1所述的基于GhostNet的轻量化空车位识别算法，其特征在于，所述空车位检测数据集的构建过程如下：搜集图像建立数据集，主要为空车位图片以及车位角图片，使用开源软件labelImg对图片进行标准，分为两个类：parking，hore。

3.根据权利要求1所述的基于GhostNet的轻量化空车位识别算法，其特征在于，所述主干特征提取网络的构建过程为：设定输入的图片尺寸为a，a，z，首先使用步长为2的GhostModule1进行下采样，获取语义信息，输出图片尺寸为a/2，a/2，2z，接着引出一条残差边，经过注意力机制senet加权后直接连接到最后，主干部分会经过步长为1的Ghost Module2进行特征的进一步提取，并将提取结果加上残差边，最终输出的特征图尺寸为a/2，a/2，2z，构建了基于Ghost Module的残差结构Ghost Residual。

4.根据权利要求1所述的基于GhostNet的轻量化空车位识别算法，其特征在于，所述加强特征提取网络的构建过程为使用GhostNet输出的26×26以及13×13这两个尺度的有效特征层构建加强特征提取网络，首先13×13的有效特征经过由最大池化构成的SPPF结构，池化核的大小为5×5，SPPF结构能够极大地增加感受野，分离出最显著的上下文特征；13×13的特征层经过上采样与26×26的特征层进行特征的融叠，再经过一次步长为2的最大池化进行下采样，其间加入swish激活函数，通过反复提取特征，同时加入SENet注意力模块，抑制不太重要的特征信息。

5.根据权利要求4所述的基于GhostNet的轻量化空车位识别算法，其特征在于，所述感受野为卷积神经网络每一层输出的特征图上的像素点在输入图片上映射的区域大小。

6.根据权利要求1所述的基于GhostNet的轻量化空车位识别算法，其特征在于，所述Decoupled Head为加强特征提取网络输出的两个有效特征层传入Decoupled Head中进行回归与预测，对于每一个特征层，分别使用不同的卷积层获得通道分别为#anchor×4，#anchor×1，#anchor×20的三个预测结果，#anchor×4用于调整预测框的大小位置，#anchor×1用于判断是否包含物体，#anchor×20用于分类，判断包含的物体的种类，将这三个预测结果进行堆叠，最终结果为：

(H,W,#anchor×4+#anchor×1+#anchor×C)。