[发明专利]基于深度学习的室内非均匀光线车位状况识别方法

摘要

本发明公开了一种基于深度学习的室内非均匀光线车位状况识别方法，主要解决现有识别方法在室内非均匀光线下鲁棒性差、识别精度低的问题。其实现步骤包括：1)输入图像；2)筛选图像数据集；3)对图像数据集中的图像进行计算处理，并根据计算结果获取图像标签；4)创建图像与标签一一对应的索引文件；5)搭建深度卷积神经网络CNN模型；6)划分训练集与测试集，并用训练集数据对神经网络进行训练，得到训练后的CNN模型；7)利用训练后的CNN模型获取识别结果。本发明增加了模型的鲁棒性、提高了识别精确度，且应用场景广泛，能够在复杂的室内非均匀光线中完成7分类，得到高精度的车位状况识别结果。

主权项

1.一种基于深度学习的室内非均匀光线车位状况识别方法，其特征在于，包括如下步骤：(1)将室内摄像头拍摄得到的图像输入到计算机；(2)设定亮度阈值为30，从计算机中筛选出亮度大于30的所有图片，作为图像数据集；(3)获取图像标签：(3a)对图像数据集中的每一幅图像做如下处理：(3a1)框选出像素点位置为(23:39,88:128)与(40:56,88:128)的两个矩形框图像，设其分别为sub1、sub2；(3a2)将sub1、sub2分别灰度化，得到两个灰度图像；(3a3)计算两个灰度图像对应的梯度图，分别求这两个梯度图的梯度均方误差gm，得到sub1的梯度均方误差gm均值s1，以及sub2的梯度均方误差gm均值s2；(3b)根据每一幅图像的s1与s2大小，对该图像进行分类，即获取图像标签：当s1<＝10且s2<＝10时，为第1类，此时两车位均禁用；当10＝53且s2<＝10时，为第3类，此时车位1有车，车位2禁用；当10＝53且10＝53时，为第6类，此时车位1无车，车位2有车；当s1>＝53且s2>＝53时，为第7类，此时车位1有车，车位2有车；其余情况均定义为第8类，舍去该类图像；(4)将第1‑7类图像的尺寸缩小至180*320，并按照“图像名类别序号‑1”的顺序写入文本文档txt，得到图像与标签一一对应的索引文件；(5)搭建一个11层的深度卷积神经网络CNN，其中包含6个卷积层、3个池化层以及2个全连接层；(6)训练深度卷积神经网络CNN：将索引文件划分为训练集和测试集两部分，并将训练集中的图像数据输入深度卷积神经网络CNN中进行学习训练，得到训练后的CNN模型；(7)获取识别结果：将测试集中的图像数据输入训练后的CNN模型，获取长度为7的一维向量，并将其转化为十进制数，得到车位状况的识别结果：第一类为无车位；第二类为有一个车位，且车位上无车；第三类为有一个车位，且车位上有车；第四类为有两个车位，且两车位上均无车；第五类为有两个车位，且车位1有车，车位2无车；第六类为有两个车位，且车位1无车，车位2有车；第七类为有两个车位，且车位1与车位2均有车。