[發明專利]一種基于卷積神經網絡的車位快速識別方法

在審

• 申請號: 202210486042.5
• 申請日: 2022-05-06
• 公開（公告）號: CN114842447A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 彭育輝;馬中原
• 申請（專利權）人: 福州大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊;薛金才

本發明提供了一種基于卷積神經網絡的車位快速識別方法，包括如下步驟：S1、通過廣角攝像頭采集車位圖像，通過逆透視變換將車位圖像轉換成俯視圖；S2、通過Ghost卷積、深度可分離卷積等構建輕量化的車位檢測網絡；S3、通過卷積神經網絡同時預測車位角點、入口線和分隔線方位；S4、根據網絡預測結果對車位角點進行配對，推理出完整車位。應用本技術方案構建輕量化深度學習卷積神經網絡預測車位角點、入口線和分隔線方位，利用入口線和車位角點的位置關系配對車位角點，并確定車位方位，進而推斷出完整車位。

技術領域

本發明涉及汽車自動駕駛技術領域，特別是一種基于卷積神經網絡的車位快速識別方法。

背景技術

近年來，隨著我國汽車工業的迅速發展和人民生活水平的不斷提高，城市的汽車數量在不斷增加，停車難的問題越來越突出。得益于計算機技術的飛速發展，車輛自動駕駛技術也得到了長足的進步，其中自動泊車功能在一定程度上解決了停車難問題，得到了用戶們的喜愛。在自動泊車技術中，最先需要解決的是泊車位的檢測、定位。目前國內外已有多種方法可以實現泊車位的檢測，包括超聲波雷達、激光測距儀、地感線圈、激光雷達、計算機視覺等。除計算機視覺外，其他方法功能較為單一，維護困難，安裝困難且成本較高。

對于視覺的車位檢測方法，前人已有不少探索：Zhang等人在“Vision-basedparking-slot detection:A DCNN-based approach and a large-scale benchmarkdataset”中，提出一種基于深度學習的車位檢測方法DeepPS，首先利用YOLOv2檢測車位角點，然后通過局部圖像分類網絡和模板匹配獲取車位類型和車位方向，該方法能有效檢測出各種車位，但檢測效率較低。Jiang等人在“Detection of Parking Slots Based onMask R-CNN”中，使用語義分割方法檢測車位，利用Mask R-CNN檢測車位角點，并生成掩碼，然后利用線段檢測等后處理方法提取、組合車位線來推斷車位。Li等人在“Vacant parkingslot detection in the around view image based on deep learning”中，應用YOLOv3檢測車位槽頭和角點，然后利用先驗幾何信息推斷出車位，但該方法需要復雜的基于規則的方案來推斷車位方向，并且檢測過程計算較為復雜，難以用于工程實踐。

發明內容

有鑒于此，本發明的目的在于提供一種基于卷積神經網絡的車位快速識別方法，構建了輕量化深度學習卷積神經網絡預測車位角點、入口線和分隔線方位，利用入口線和車位角點的位置關系配對車位角點，并確定車位方位，進而推斷出完整車位。

為實現上述目的，本發明采用如下技術方案：一種基于卷積神經網絡的車位快速識別方法，包括如下步驟：

S1、通過廣角攝像頭采集車位圖像，通過逆透視變換將車位圖像轉換成俯視圖；

S2、通過Ghost卷積、深度可分離卷積等構建輕量化的車位檢測網絡；

S3、通過卷積神經網絡同時預測車位角點、入口線和分隔線方位；

S4、根據網絡預測結果對車位角點進行配對，推理出完整車位。

在一較佳的實施例中：在步驟S1中，首先對廣角的攝像頭獲取的圖像進行去畸變處理，然后通過逆透視變換得到車位俯視圖，根據真實世界標識物的物理信息設計該俯視圖的長寬比例和尺寸，實現像素坐標到真實世界坐標的映射關系，并采集多種環境下的俯視車位圖像。

在一較佳的實施例中：在步驟S2中，通過Ghost卷積堆疊構成GhostBottleneck模塊，并引入ECA注意力機制組成ECA-GhostBottleneck模塊，在不增加網絡參數量和計算量的情況下提高網絡檢測效果；再組合ECA-GhostBottleneck模塊和殘差邊構成ECA-GhostC3模塊用于車位特征提取；同時嵌入深度可分離卷積用于調整特征圖的尺度。