一种轻量化停车位检测方法技术

本发明专利技术公开了一种轻量化停车位检测方法，属于计算机视觉技术领域。通过设计了一种轻量级的MobileNet+FPN+Aware Headers的算法，卷积层均采用了深度可分离卷积，来最大的减少参数量；利用MobileNet来压缩特征；利用FPN融合不同分辨率的特征，最后利用Aware Headers来完成对车位关键点的预测。Aware Headers总共包含3个预测头，分别用于预测关键点的位置、关键点的方向以及车位入口的中心点。同时采用带车位方向的高斯核生成的标签，使车位的方向和位置有更好的关联性。在后处理中，根据车位中心点，匹配对应的2个车位关键点来确定一个完整的车位。本发明专利技术公开的检测方法在检测结果可靠的同时，拥有更低的计算量和参数量。拥有更低的计算量和参数量。拥有更低的计算量和参数量。

【技术实现步骤摘要】
一种轻量化停车位检测方法


[0001]本专利技术涉及计算机视觉

，具体为一种轻量化停车位检测方法。

技术介绍

[0002]随着自动驾驶技术的发展，自动泊车辅助系统已经成为一个深入研究的课题，随着深度学习的兴起，基于深度卷积神经网络(CNN)的车位检测方法取得了良好的准确率。然而，由于图像的复杂性，停车标志的检测仍然是一个非常具有挑战性的问题。
[0003]基于深度学习的方法来检测停车位关键点主要分为回归和热力图生成两种方式。使用回归的方式，运算速度较快，但缺乏空间泛化能力，而基于热力图的方式空间泛化能力强。在早期有许多工作尝试用回归的方式来完成，但其空间泛化能力差的问题始终存在，大家逐渐都开始采用热力图生成的方式来提高准确性。
[0004]近年来的深度方法通过不断增加网络容量和复杂度，使车位检测具有了应对变化的能力。如较为经典的DeepPS采用了较为复杂的骨干网络和后处理匹配方法，取得了较好的效果。PSDet采用二阶段定位的方式来提高定位精度。SPFCN通过设计高效的卷积模块，其参数量为2.39MB，完成了轻量级网络设计，但仍有很大的压缩空间。网络的计算开销严重制约了深度学习算法在实际工程应用中的应用，例如DeepPS需要强大的GPU来运行深度学习算法。然而，大规模生产的嵌入式环境只有CPU，或者功能较弱的GPU。因此，现需一种可进一步压缩参数量兼具检测性能良好的轻量级模型。

技术实现思路

[0005]优选或可选的，
[0006]为解决现有的技术问题。本专利技术提供了一种轻量化停车位检测方法，包括以下步骤：
[0007]Ⅰ.图像增强：对原始的环视图进行图像增强，提高模型的鲁棒性；
[0008]Ⅱ.多尺度特征融合：将增强后的图像传入MobileNetV2进行特征提取，通过FPN来进行不同尺度的特征，融合得到输出特征f＇；
[0009]Ⅲ.预测关键点：将输出特征f＇同时传入三个感知预测头，分别进行车位关键点位置预测、关键点方向预测，以及入口线中心预测，使用非极大值抑制算法得到准确的关键点；
[0010]Ⅳ.停车位判断：先将不同的关键点连接在一起，通过判断其连线上是否存在预测的入口线中心点，以及两个关键点的方向是否一致，来确定这两点是否构成车位。
[0011]优选或可选的，所述图像增强的方式为模糊增强、随机亮度饱和度对比度增强、随机区域裁剪来分别模拟环视视角下的图像边缘被拉伸产生的模糊、各种场景下的光照和地面反光以及各种遮挡的问题。
[0012]优选或可选的，所述MobileNetV2包括上采样模块，所述上采样模块由深度可分离卷积模块以及双线性插值组合构成，融合采用逐点相加的方式，每次上采样之后都会和浅
层特征做一次融合。
[0013]优选或可选的，所述MobileNetV2中，输出特征f＇的计算公式为：
[0014][f
1/32
，f
1/16
，f
1/8
，f
1/4
]＝F
MobileNet
ꢀꢀ
(1)
[0015]f＇＝Cov(up(Cov(up(Cov(up(f
1/32
)+f
1/16
)+f
1/8
)+f
1/4
)))
ꢀꢀ
(2)
[0016]其中I代表输入图片，F
MobileNet
代表MobileNetV2，F1/N为经过网络后得到的不同尺度的特征，up为上采样操作，Conv为卷积层，f＇为输出特征，其大小为原始输入的1/4。
[0017]优选或可选的，还包括生成关键点标签，根据原始标签中每个关键点的方向，在关键点位置上延伸2个像素，加以高斯核，得到具有方向指引的关键点标签。
[0018]优选或可选的，所述感知检测头使用深度可分离空洞卷积来加工每个通道的特征，再通过逐点卷积来聚合通道间的信息。三个预测头的激活函数分别为Sigmoid、Tanh、Sigmoid，由于方向的余弦值和正弦值都属于[
‑
1,1],需采用Tanh激活函数将输出值控制在[
‑
1,1]之间。
[0019]优选或可选的，所述感知检测头的热力图回归为：
[0020]f
pre
＝Activate(PwConv(DwDilatedConv))
ꢀꢀ
(3)；
[0021]其中，f
pre
为热力图回归，Activate为激活函数，PwConv为逐点卷积，DwDilatedConv为深度可分离空洞卷积。
[0022]优选或可选的，所述热力图回归的损失函数为WeightedWing Loss与SELoss，Weighted Wing Loss用于对预测关键点位置和入口线中心点，SELoss用于预测关键点方向的检测头；其公式为：
[0023][0024][0025]其中，x为预测值和真实标签的距离，w为人为超参数，将函数的非线性部分的范围限制在[
‑
w，w]，ε为约束非线性区域的曲率，W为根据真实标签产生的权重，C＝w
‑
wln(1+x/ε)来保证损失函数的连续性。
[0026]有益效果：本专利技术提出的一种轻量化停车位检测方法，通过图像增强来提高模型的鲁棒性，通过深度可分离卷积模块以及双线性插值组合构成上采样模块，使得模型更紧凑、轻量化；车位关键点位置预测、关键点方向预测，以及入口线中心预测的三个感知检测头使用深度可分离空洞卷积来加工每个通道的特征，再通过逐点卷积来聚合通道间的信息，为在预测时放大微小误差、增大监督力度、获得更为准确的关键点位置，本专利技术Weighted Wing Loss作为损失函数，用于对预测关键点和入口线中心点的2个检测头进行监督。本专利技术基于热力图回归的方式来对停车位关键点进行检测，相较于坐标回归的方式具有较好的空间泛化能力，同时模型的整体架构都采用轻量级的设计，通道数也被尽可能的压缩，减少特征的冗余，从而对于低算力平台十分友好。同时本专利设计的感知分割头能够感知到距离较远的关键点之间的联系，保证了预测结果的召回率与精确率。
附图说明
[0027]图1为神经网络结构图；
[0028]图2.1和图2.2分别为现有高斯核与本专利技术的方向指引高斯核；
[0029]图3为停车位检测效果；
[0030]图4为算法在验证集上的召回率和精准率曲线。
具体实施方式
[0031]在下文的描述中，给出了大量具体的细节以便提供对本专利技术更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本专利技术可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本专利技术发生混淆，对于本领域公知的一些技术特征未进行描述。
[0032]下面结合实施例，对本专利技术作进一步说明，所述的实施例的示例旨在解释本专利技术，而不能理解为对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化停车位检测方法，其特征在于，包括以下步骤：Ⅰ.图像增强：对原始的环视图进行图像增强，提高模型的鲁棒性；Ⅱ.多尺度特征融合：将增强后的图像传入MobileNetV2进行特征提取，通过FPN来进行不同尺度的特征，融合得到输出特征f＇；Ⅲ.预测关键点：将输出特征f＇同时传入三个感知预测头，分别进行车位关键点位置预测、关键点方向预测，以及入口线中心预测，使用非极大值抑制算法得到准确的关键点；Ⅳ.停车位判断：先将不同的关键点连接在一起，通过判断其连线上是否存在预测的入口线中心点，以及两个关键点的方向是否一致，来确定这两点是否构成车位。2.根据权利要求1所述的轻量化停车位检测方法，其特征在于，所述图像增强的方式为模糊增强、随机亮度饱和度对比度增强、随机区域裁剪来分别模拟环视视角下的图像边缘被拉伸产生的模糊、各种场景下的光照和地面反光以及各种遮挡的问题。3.根据权利要求1所述的轻量化停车位检测方法，其特征在于，所述MobileNetV2包括上采样模块，所述上采样模块由深度可分离卷积模块以及双线性插值组合构成，融合采用逐点相加的方式，每次上采样之后都会和浅层特征做一次融合。4.根据权利要求3所述的轻量化停车位检测方法，其特征在于，所述MobileNetV2中，输出特征f＇的计算公式为：[f
1/32
，f
1/16
，f
1/8
，f
1/4
]＝F
MobileNet
ꢀꢀꢀꢀ
(1)f＇＝Cov(up(Cov(up(Cov(up(f
1/32
)+f
1/16
)+f
1/8
)+f
1/4
)))
ꢀꢀꢀꢀ
(2)其中I代表输入图...

【专利技术属性】
技术研发人员：马栋梁，瞿鑫，
申请(专利权)人：领目科技上海有限公司，
类型：发明
国别省市：