一种全景停车位的检测方法技术

一种全景停车位的检测方法，属于停车位检测领域。该方法是一种基于全景图像的停车位检测方法。该方法首先标注全景停车位的图像，建立停车位的概率模型，并对标注的停车位生成标签信息。然后建立多特征融合的卷积神经网络提取停车位的轮廓图像，最后根据停车位的轮廓信息，分离停车位的位置信息。此方法不需要拍摄背景图像，对外界环境的变化不敏感，极大的提高了用户的满意度。该算法在任意时刻采集停车场图像信息，在停车位非空闲状态情况下，可以快速精确的检测到停车位，明显优于其他的车位检测方法。

【技术实现步骤摘要】
一种全景停车位的检测方法
本专利技术属于数字图像处理和停车位检测的
，具体涉及一种全景停车位的检测方法。
技术介绍
目前采集的停车位的图像信息，停车位的线框会断线或模糊不清，这个给停车位的检测带来了难度；常见的停车位检测算法需要首先拍摄背景图像(没有车时的车位图像)，这个实施困难，如果摄像头由于外力(风吹等)造成移位，需要重新拍摄，这个会给用户带来不良的体验。
技术实现思路
现有的停车位检测技术需要首先拍摄背景图像(没有车辆时的停车场图像)，其实施困难，容易受外界环境的干扰，造成用户的不良体验。鉴于上述问题，本专利技术公开了一种全景停车位检测方法。该方法基于全景停车位图像，建立多特征融合的卷积神经网络提取停车位的轮廓信息，然后采用基于轮廓的停车位检测算法检测停车位。本专利技术的技术方案如下：一种全景停车位的检测方法，包含：获取停车位的全景图像；对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型；根据所述停车位的概率模型，生成停车位的标签信息；其中每个停车位的概率模型和标签信息是一一对应的；建立多特征融合的卷积神经网络；所述卷积神经网络包含多个阶段，每个阶段负责提取该阶段的特征信息；所述卷积神经网络融合了多个阶段的特征信息；所述卷积神经网络采用所述停车位的标签信息进行训练，获得所述卷积神经网络的参数；所述卷积神经网络利用所述卷积神经网络的参数，对输入的停车位图像进行分类，输出停车位的概率图，所述概率图经过图像归一化处理，获得停车图像的轮廓信息；根据停车位的所述轮廓信息，分离出停车位的位置信息。进一步的，所述对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型，包含如下步骤：对所述停车位的全景图像进行重复多次标注，获取停车位图像的标注信息；根据所述停车位图像的标注信息，建立停车位的概率模型；其中，停车位的每个像素点的概率为：标注此像素为停车位的标注次数除以标注此像素的总次数；进一步的，所述对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型之前还包含：对所述停车位的全景图像采用仿射变换进行畸变矫正；进一步的，所述根据所述停车位图像的标注信息，建立停车位的概率模型之前还包含：对所述重复多次标注的每张停车位图像，在误差σ范围内进行融合；进一步的，所述多特征融合的卷积神经网络中所述阶段还包括，第一个阶段中不存在反卷积层，其余阶段中均存在一个反卷积层。进一步的，所述多特征融合的卷积神经网络中所述阶段还包括，每个阶段中均包含1*1的卷积核。进一步的，所述多特征融合的卷积神经网络中所述阶段还包括，每个阶段的每个卷积层的对应位置的像素值求和作为当前阶段的输出；进一步的，所述多特征融合的卷积神经网络采用带样本倾斜修正项的损失函数进行训练；进一步的，所述根据停车位的所述轮廓信息，分离出停车位的位置信息，包含以下步骤：根据停车位的所述轮廓信息，计算此停车位的骨架信息；根据停车位的所述骨架信息，检测直线；提取停车位的属性，过滤所述直线，获得第一直线信息；根据所述第一直线信息的斜率信息对所述第一直线信息进行聚类分析，删除小簇类，获得第二直线信息；对第二直线信息进行直线延长操作，得到第一区域；采用面积阈值T，对所述第一区域删减，删除面积小于阈值T的区域，得到第二区域；根据相邻区域的特征，对所述第二区域进行删减，删除相邻区域相似度较小的区域，得到第三区域；所述第三区域即为停车位图像信息。本专利技术提出了一种全景停车位的检测方法，该方法是一种基于全景图像的停车位检测方法。该方法首先标注全景停车位的图像，建立停车位的概率模型，并对标注的停车位生成标签信息。然后建立多特征融合的卷积神经网络提取停车位的轮廓图像，最后采用基于轮廓的停车位检测方法检测停车位信息。此方法不需要拍摄背景图像，对外界环境的变化不敏感，极大的提高了用户的满意度。该算法在任意时刻采集停车场图像信息，在停车位非空闲状态情况下，可以快速精确的检测到停车位，明显优于其他的车位检测方法。附图说明图1为一种全景停车位的检测方法流程图图2为多特征融合的卷积神经网络的阶段示意图图3为多特征融合的卷积神经网络的示意图图4为一种基于轮廓的停车位检测方法的流程图图5为一种基于矫正停车位图像的停车位检测方法的流程图具体实施方式为了使得本专利技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。基于本公开中描述的本公开实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本公开的保护范围之内。实施例一：一种全景停车位的检测方法一种全景停车位的检测方法，如图1所示，包含：S1:获取停车位的全景图像；所述停车位的全景图像，可以采用硬件和/或软件的方式获取。如果采用硬件方式获取全景图像，可以采用全景相机；如果采用软件方式获取全景图像，可以采用鱼眼相机获取图像，然后采用畸变矫正获取全景图像；或采用多台普通相机分别获取不同区域的图像，要求相邻的相机至少有N°的重合的视野，其中N>10，将采集的多幅图像采用全景拼接技术获取全景图像。其中所述的畸变矫正和全景拼接技术已经有成熟的算法。采集的停车位场景要求多样化。从停车位的位置区分：室内停车位、高速服务区停车位、路边停车位、小区停车位、商场停车位等；从光照角度区分：骄阳下的停车位、雨天停车位、雾天停车位、沙尘中的停车位、半晚时分停车位、夜晚停车位；停车位的类型：斜停车位、方正停车位等。获取的各个场景的停车位的数量要均衡。此处获取的全景停车位的图像是用于训练多特征融合的卷积神经网络的参数。为了避免数据倾斜造成的准确率下降，各个场景的停车位图像的数量不能差距太大。S3:对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型；本专利技术可以采用半自动的方式对所述停车位的全景图像进行标注，即：多人重复利用停车位标注软件对步骤S1中收集的停车位图像进行标注，获取其标注信息。停车位标注软件是用于方便标注人员标注数据的一个工具，本领域的技术人员可以通过购买或自行编写获得，本专利技术将不做过多的阐述。特别注意，标注停车位时，如果出现停车位区域被物体遮挡的现象，标注人员应该根据常识完整的绘制出停车位区域。其中，对于遮挡的停车位区域，要进行标注。根据所述停车位图像的标注信息，建立停车位的概率模型。假设图像I共标注了K次，图像位置(x,y)的像素记做I(x,y)，I(x,y)的第i次标注记为Ii(x,y)，I(x,y)的第i次标注为停车位记为则图像I的位置(x,y)的概率为：其中函数f为：根据公式1-公式2，计算图像I在位置(x,y)位置的概率。以此类推计算图像I中每个位置处的概率，生成图像I的概率图PI。S4:根据所述停车位的概率模型，生成停车位的标签信息；其中每个停车位的概率模型和其标签信息是一一对应的；所述的标签信息包含：正样本和负样本，分别用于表示是否为停车位。本案例采用阈值η，对图像I的位置(x,y)标注：其中：LI(x,y)＝1为正样本，表示此位置是停车位，LI(x,y)＝0为负本文档来自技高网...

【技术保护点】
1.一种全景停车位的检测方法，包含：获取停车位的全景图像；对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型；根据所述停车位的概率模型，生成停车位的标签信息；其中每个停车位的概率模型和其标签信息是一一对应的；建立多特征融合的卷积神经网络；所述卷积神经网络包含多个阶段，每个阶段提取该阶段的特征信息；所述卷积神经网络融合了多个阶段的特征信息；所述卷积神经网络采用所述停车位的标签信息进行训练，获得所述卷积神经网络的参数；所述卷积神经网络利用所述卷积神经网络的参数，对输入的停车位的全景图像进行分类，输出停车位的概率图，所述停车位的概率图经过图像归一化处理，获得停车图像的轮廓信息；根据停车位的所述轮廓信息，分离停车位的位置信息。

【技术特征摘要】
1.一种全景停车位的检测方法，包含：获取停车位的全景图像；对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型；根据所述停车位的概率模型，生成停车位的标签信息；其中每个停车位的概率模型和其标签信息是一一对应的；建立多特征融合的卷积神经网络；所述卷积神经网络包含多个阶段，每个阶段提取该阶段的特征信息；所述卷积神经网络融合了多个阶段的特征信息；所述卷积神经网络采用所述停车位的标签信息进行训练，获得所述卷积神经网络的参数；所述卷积神经网络利用所述卷积神经网络的参数，对输入的停车位的全景图像进行分类，输出停车位的概率图，所述停车位的概率图经过图像归一化处理，获得停车图像的轮廓信息；根据停车位的所述轮廓信息，分离停车位的位置信息。2.如权利要求1所述的方法，其特征在于：所述对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型，包含如下步骤：对所述停车位的全景图像进行重复多次标注，获取停车位图像的标注信息；根据所述停车位图像的标注信息，建立停车位的概率模型；其中，停车位的每个像素点的概率为：标注此像素为停车位的标注次数除以标注此像素的总次数。3.如权利要求1所述的方法，其特征在于：所述对所述停车位的全景图像进行标注，获取标注信息，并根据所述标注信息建立停车位的概率模型之前还包含：对所述停车位的全景图像采用仿射变换进行畸变矫正。4.如权利要求2所述的方法，...

【专利技术属性】
技术研发人员：高体红，
申请(专利权)人：成都通甲优博科技有限责任公司，
类型：发明
国别省市：四川,51