[發明專利]一種基于深度學習的室外停車場空余車位檢測方法

有效

• 申請號: 202110403803.1
• 申請日: 2021-04-15
• 公開（公告）號: CN113076904B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 杜啟亮;向照夷;田聯房
• 申請（專利權）人: 華南理工大學;華南理工大學珠海現代產業創新研究院
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/26;G06V10/44;G06V10/774;G08G1/14;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種基于深度學習的室外停車場空余車位檢測方法，其特征在于，包括以下步驟：

1)通過安置于停車場上方的高空攝像機采集圖像，并對采集到的圖像進行標注，標記圖中的車位線和車輛，以制作語義分割數據集和目標檢測數據集；

2)將所有數據集均劃分為訓練集和驗證集，并對訓練集進行數據擴增，訓練集用于訓練網絡模型，驗證集用于選取最優的模型參數；

3)使用訓練集對語義分割網絡模型和目標檢測網絡模型進行訓練，并根據驗證集選取最佳語義分割網絡模型和目標檢測網絡模型；其中，使用的語義分割網絡模型為改進后的PSPNet網絡模型，使用的目標檢測網絡模型為改進后的YOLOv3網絡模型；所述PSPNet網絡模型的改進是將主干網絡中除第一層卷積之外的所有卷積及空間池化模塊的卷積替換為深度可分離卷積，其網絡輸出層使用多個空洞卷積替換單一的傳統卷積；所述YOLOv3網絡模型的改進是將主干網絡中的卷積替換為深度可分離卷積，并改用交并比GIOU損失，統一大、小目標的定位偏差尺度；

所述PSPNet網絡模型的改進部分情況具體如下：

將主干網絡中除第一層卷積之外的所有卷積及空間池化模塊的卷積替換為深度可分離卷積降低網絡參數量，以提高前向推導的速度，提高實時性能，深度可分離卷積將傳統的單個卷積核分為兩個獨立的卷積核：分離卷積和逐點卷積；分離卷積將特征圖不同通道分離開分別進行卷積操作，逐點卷積對不同特征圖上相同像素點進行卷積操作，提取不同特征圖之間的關系；使用的深度可分離卷積結構包含：分離卷積層、BN層、Mish激活函數、逐點卷積層、BN層和Mish激活函數；

網絡輸出層使用多個空洞卷積替換單一的傳統卷積，在增加少量參數的情況下，使預測結果中的每個位置充分綜合全局信息，提高分割精度，空洞卷積與傳統卷積相比，參數量相同，但感受野更大，不同擴張系數的空洞卷積組合能夠提取特征圖中的多尺度信息；改進后的網絡輸出層包含：多個不同擴張系數的3×3空洞卷積、BN層、Mish激活函數、concat層和1×1卷積層，其中，每個空洞卷積各接一個BN層和Mish激活函數，負責提取一個尺度范圍的特征；concat層為特征融合層，將不同空洞卷積生成的特征圖按通道拼接；再通過1×1卷積層將包含不同尺度信息的特征圖進行融合得到單通道的語義分割圖；

改進后的YOLOv3網絡模型針對坐標損失對于大目標和小目標在訓練過程中的差異性，對損失函數中的坐標損失進行改進，原本損失函數計算預測輸出的檢測框和實際目標的位置框坐標間的歐氏距離偏差，即中心坐標及寬高之間的歐式距離，使得大目標框的坐標損失值大于小目標的坐標損失值，不利于對小目標的定位，為此，改用交并比GIOU損失，統一大、小目標的定位偏差尺度；同時，為提高檢測實時性將主干網絡中的卷積替換為深度可分離卷積，減少參數量；

4)應用步驟3)選取的最佳語義分割網絡模型進行車位線檢測，獲得車位線的二值掩摸圖，檢測二值掩膜圖中的所有直線，并進行非極大值抑制濾除重疊嚴重且短的線段，生成只包含直線的二值直線圖；

5)對步驟4)得到的二值直線圖中的所有直線進行重新融合，通過自定義線段距離，找出外側車位線被遮擋部分的兩側線段，并以此補全外側車位線，得到補全后的二值直線圖；

6)查找出補全后的二值直線圖中所有的內封閉輪廓，對所有輪廓進行合理性判斷并處理得到最終輪廓，計算每個輪廓的中心坐標，作為每個停車位的坐標位置并記錄；

7)應用步驟3)選取的最佳目標檢測網絡模型進行車輛檢測，記錄圖中所有的車輛位置信息，將所有停車位位置和車輛位置進行匹配，并判斷是否為空余車位，統計空余車位數量及位置。

2.根據權利要求1所述的一種基于深度學習的室外停車場空余車位檢測方法，其特征在于：在步驟1)中，將采集到的圖像中的車位線標注為前景，其余部分視為背景，制作出包含語義信息的二值掩膜圖，作為語義分割數據集，用于訓練語義分割網絡模型；同時，將圖像中的車輛進行標注，記錄所有車輛在圖像中的大小和位置信息，作為目標檢測數據集，用于訓練目標檢測網絡模型。