[发明专利]一种基于深度学习的室外停车场空余车位检测方法

权利要求书

1.一种基于深度学习的室外停车场空余车位检测方法，其特征在于，包括以下步骤：

1)通过安置于停车场上方的高空摄像机采集图像，并对采集到的图像进行标注，标记图中的车位线和车辆，以制作语义分割数据集和目标检测数据集；

2)将所有数据集均划分为训练集和验证集，并对训练集进行数据扩增，训练集用于训练网络模型，验证集用于选取最优的模型参数；

3)使用训练集对语义分割网络模型和目标检测网络模型进行训练，并根据验证集选取最佳语义分割网络模型和目标检测网络模型；其中，使用的语义分割网络模型为改进后的PSPNet网络模型，使用的目标检测网络模型为改进后的YOLOv3网络模型；所述PSPNet网络模型的改进是将主干网络中除第一层卷积之外的所有卷积及空间池化模块的卷积替换为深度可分离卷积，其网络输出层使用多个空洞卷积替换单一的传统卷积；所述YOLOv3网络模型的改进是将主干网络中的卷积替换为深度可分离卷积，并改用交并比GIOU损失，统一大、小目标的定位偏差尺度；

所述PSPNet网络模型的改进部分情况具体如下：

将主干网络中除第一层卷积之外的所有卷积及空间池化模块的卷积替换为深度可分离卷积降低网络参数量，以提高前向推导的速度，提高实时性能，深度可分离卷积将传统的单个卷积核分为两个独立的卷积核：分离卷积和逐点卷积；分离卷积将特征图不同通道分离开分别进行卷积操作，逐点卷积对不同特征图上相同像素点进行卷积操作，提取不同特征图之间的关系；使用的深度可分离卷积结构包含：分离卷积层、BN层、Mish激活函数、逐点卷积层、BN层和Mish激活函数；

网络输出层使用多个空洞卷积替换单一的传统卷积，在增加少量参数的情况下，使预测结果中的每个位置充分综合全局信息，提高分割精度，空洞卷积与传统卷积相比，参数量相同，但感受野更大，不同扩张系数的空洞卷积组合能够提取特征图中的多尺度信息；改进后的网络输出层包含：多个不同扩张系数的3×3空洞卷积、BN层、Mish激活函数、concat层和1×1卷积层，其中，每个空洞卷积各接一个BN层和Mish激活函数，负责提取一个尺度范围的特征；concat层为特征融合层，将不同空洞卷积生成的特征图按通道拼接；再通过1×1卷积层将包含不同尺度信息的特征图进行融合得到单通道的语义分割图；

改进后的YOLOv3网络模型针对坐标损失对于大目标和小目标在训练过程中的差异性，对损失函数中的坐标损失进行改进，原本损失函数计算预测输出的检测框和实际目标的位置框坐标间的欧氏距离偏差，即中心坐标及宽高之间的欧式距离，使得大目标框的坐标损失值大于小目标的坐标损失值，不利于对小目标的定位，为此，改用交并比GIOU损失，统一大、小目标的定位偏差尺度；同时，为提高检测实时性将主干网络中的卷积替换为深度可分离卷积，减少参数量；

4)应用步骤3)选取的最佳语义分割网络模型进行车位线检测，获得车位线的二值掩摸图，检测二值掩膜图中的所有直线，并进行非极大值抑制滤除重叠严重且短的线段，生成只包含直线的二值直线图；

5)对步骤4)得到的二值直线图中的所有直线进行重新融合，通过自定义线段距离，找出外侧车位线被遮挡部分的两侧线段，并以此补全外侧车位线，得到补全后的二值直线图；

6)查找出补全后的二值直线图中所有的内封闭轮廓，对所有轮廓进行合理性判断并处理得到最终轮廓，计算每个轮廓的中心坐标，作为每个停车位的坐标位置并记录；

7)应用步骤3)选取的最佳目标检测网络模型进行车辆检测，记录图中所有的车辆位置信息，将所有停车位位置和车辆位置进行匹配，并判断是否为空余车位，统计空余车位数量及位置。

2.根据权利要求1所述的一种基于深度学习的室外停车场空余车位检测方法，其特征在于：在步骤1)中，将采集到的图像中的车位线标注为前景，其余部分视为背景，制作出包含语义信息的二值掩膜图，作为语义分割数据集，用于训练语义分割网络模型；同时，将图像中的车辆进行标注，记录所有车辆在图像中的大小和位置信息，作为目标检测数据集，用于训练目标检测网络模型。