[發明專利]采用停車位框線、端點的停車位結構檢測模型訓練方法

有效

• 申請號: 201811468763.3
• 申請日: 2018-12-03
• 公開（公告）號: CN111259710B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 郭強;裘索
• 申請（專利權）人: 魔門塔（蘇州）科技有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06N3/04
• 代理公司: 北京科領智誠知識產權代理事務所(普通合伙) 11782
• 代理人: 陳士騫

本發明涉及一種智能駕駛領域，具體涉及一種采用停車位框線、端點的停車位結構檢測模型訓練方法。本發明提供的停車位結構模型的訓練方法包括，步驟101：獲取道路樣本圖像，所述道路樣本圖像標注有停車位區域信息；步驟102：將所述道路樣本圖像輸入到預先建立的初始神經網絡模型；步驟103：利用所述樣本圖像訓練所述神經網絡模型，得到停車位結構檢測模型；本發明通過標注停車位框線的端點來對停車位區域進行標注，再經過深度卷積神經網絡學習，得到可以有效地處理各種形態的停車位的停車位結構檢測模型，并且基于該停車位結構檢測模型進行停車操作。

技術領域

本發明涉及一種智能駕駛領域，具體涉及一種停車位結構檢測模型訓練方法。

背景技術

隨著科學技術的發展，自動駕駛、無人車等新興概念應運而生。自動泊車系統是自動駕駛技術中一個不可或缺的部分，汽車工業界對發展自動泊車系統的興趣也在逐漸提升，而停車位檢測則是自動泊車問題中的核心感知任務之一。具體的，車輛的攝像頭或者超聲波等傳感器可以感知車輛當前所處的環境，采用停車位檢測技術對傳感器獲取的車輛周圍環境信息進行處理，可以得到附近的可停車位，從而指導車輛的停泊。

對這樣的系統而言，怎樣精準有效地檢測、定位由常規線段限定的停車位是一個關鍵且尚未解決的問題。事實上，地面材料、光照條件的變化、附近物體的陰影等不利因素也增大了基于視覺的停車位檢測方法的難度。

現有的停車位檢測方法，一類通常利用底層邊緣及角特征，基于人工構造規則來提取車位框，其特征表達能力較弱，基于規則的方法很難延伸到多樣的停車位形態。另一類方法基于目標檢測技術，使用一個方框來檢測、提取車位，這類方法無法處理斜向停車位，而且對停車位邊界框的定位也很不精確。

發明內容

有鑒于此，本申請提出了一種停車位結構訓練方法，該方法基于深度卷積神經網絡，將采用停車位框線和停車位框線的端點來表示所述停車位區域信息，再對初始神經網絡模型的參數進行優化，當所述初始神經網絡模型經過較多訓練樣本的迭代訓練后，獲得停車位結構檢測模型。

具體的，本發明的第一方面，提供一種停車位結構檢測模型的訓練方法，包括有如下步驟：

步驟101：獲取道路樣本圖像，所述道路樣本圖像標注有停車位區域信息；

步驟102：將所述道路樣本圖像輸入到預先建立的初始神經網絡模型；

步驟103：利用所述樣本圖像訓練所述初級神經網絡模型，得到停車位結構檢測模型；其中，所述步驟101中，采用停車位框線和停車位框線的端點來表示所述停車位區域信息；

所述步驟103中訓練所述停車位結構檢測模型包括采用監督訓練方式；所述監督訓練方式包括對訓練樣本進行標記。

優選的，所述步驟102中所述初始神經網絡模型是卷積神經網絡模型，所述初始神經網絡模型中的卷積層學習所述道路樣本圖像中的停車位區域信息；所述步驟103中所述得到停車位結構檢測模型具體包括：根據學習到的所述道路樣本圖像的相關特征，以及所述初始神經網絡模型中的全連接層對相關特征進行映射，得到停車位區域的識別結果，將所述停車位區域的識別結果與所述道路樣本圖像預先標注的停車位區域進行比較，對所述初始神經網絡模型的參數進行優化，當所述初始神經網絡模型經過多次訓練樣本的迭代訓練后，獲得停車位結構檢測模型。

優選的，所述步驟103中訓練所述神經網絡模型，是利用所述卷積神經網絡模型中的卷積層局部連接以及權值共享的特性。

優選的，所述步驟103中所述監督訓練方式包括對訓練樣本進行標記，訓練過程中根據模型輸出目標函數的代價，并根據代價函數對模型參數進行優化；優選的，所述代價函數為：

L＝λLcls+βLreg；

其中，L表示損失函數，Lcls是逐像素分類的損失函數；Lreg是回歸的損失函數，使用均方誤差；λ，β表示不同的系數。