[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

说明书

本发明公开了一种基于深度学习的室外停车场空余车位检测方法，通过位于停车场上方的高空摄像头采集图片，对PSPNet网络模型改进用于提取图像中的车位线，通过直线检测及轮廓提取，并结合相应的车位线填补方法获得图像中所有车位的位置，改进YOLOv3网络模型以检测图像中的所有车辆，并记录其位置，将车位与车辆进行匈牙利匹配，根据车位是否匹配成功以及匹配成功双方之间的距离判断该车位是否被占用，进而统计出图像中空余车位的数量。本发明可以准确判定室外停车场空余车位的数量和位置，且鲁棒性较强，方便车主寻找车位进行停车。

技术领域

本发明涉及室外停车场空余车位检测的技术领域，尤其是指一种基于深度学习的室外停车场空余车位检测方法。

背景技术

如今随着生活水平的提高，车辆的使用越来越广泛，交通不断便利，乘车出行已成人们首先的交通方式，尤其对于车站、商场等人流量密集区域，通常需要下车徒步行走，因此必须将车停到停车场，若不知道停车场内是否有空位就直接进入，势必会浪费大量时间，而现有车位统计方式大都在入口处设立，逐个检测进入车辆进行计数，并与实现设定好的总车位数对比确定空余车位数，检测设备造价较高，且只能得到空余车位的数量，无法得出空余车位的位置信息，还需要车主进入逐个查找，效率较低。而现有的一些使用高空摄像头检测空余车位的方法，需要手动标定好每个车位在图像中的位置信息，逐个检测每个车位状态，如果摄像机的位置或者角度发生变化就需要重新标定，较为繁琐，适应性不强。

综合以上论述，发明一种可以统计并定位空余车位的基于深度学习的室外停车场空余车位检测方法具有较高的实际应用价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的室外停车场空余车位检测方法，该方法对高空摄像头拍摄的停车场图像分别进行车位检测和车辆检测，通过车位与车辆的位置信息进行空余车位判定，该方法在不同环境、摄像机不同安装角度和位置的情况下均可以达到较好的检测效果，适应力强。该方法可以检测出停车场内的空余车位数量并定位出空余车位位置，供车主自主择优选择车位。

为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的室外停车场空余车位检测方法，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；

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；