System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及辅助驾驶,尤其涉及一种基于深度双分支网络的停车位检测方法及存储介质。
技术介绍
1、随着深度学习的不断发展,基于图像的目标检测成为了一个热门的研究领域。停车位检测作为计算机视觉应用的一部分,在智能驾驶、自助泊车领域有着重要的应用价值。在传统的计算机视觉方法中,常用特征提取算法(如sift、hog等)和分类器(如svm、adaboost等)进行停车位检测,这类方法过于依赖手工设计的特征提取器,无法利用图像的语义信息和上下文关系,难以应对复杂的停车场景,如光照变化等。
2、因此,使用深度学习方法,利用卷积神经网络直接从原始图像中学习到表征能力更强的特征表示可以有效地提高停车位识别算法的准确性和鲁棒性。一些经典的深度学习模型,如faster r-cnn、yolo系列等方法在停车位检测中已经展现出了良好的性能表现,取得了显著的成果。
3、然而,针对停车位检测的具体问题,现有的单一网络结构对于不同类型的停车位检测时会出现一定的误检和漏检情况,训练好的网络模型对于水平车位和垂直车位的检测难以同时兼顾并表现出良好的检测性能。
技术实现思路
1、本专利技术提供一种基于深度双分支网络的停车位检测方法及存储介质,解决了现有的单一网络结构无法兼容不同类型的停车位检测,检测准确率低、检测效率差的技术问题。
2、为解决以上技术问题,本专利技术提供一种基于深度双分支网络的停车位检测方法,包括步骤:
3、s1、进行图像采集获取停车位图像;
5、s3、根据停车位类型,将所述停车位图像分别输入水平车位识别子网络、垂直车位识别子网络进行模型训练;
6、s4、调用损失函数训练模型,通过最小化损失函数对所述停车位检测模型进行参数更新,得到训练好的双分支学习网络模型;
7、s5、将未训练的车位图像数据导入训练好的双分支学习网络模型,进行图像识别确认停车位类型。
8、本基础方案基于深度学习的方法,构建由水平车位识别子网络和垂直车位识别子网络共同构成的停车位检测模型,分别依据水平车位图像、垂直车位图像进行训练。在面对复杂的现实场景时,训练好的双分支网络模型会根据输入图像的车位类型使用不同的分支进行针对性的特征提取和检测,有效提高网络模型应对不同场景的鲁棒性;通过满足实际场景中对于不同类型车位的准确检测需求,为城市交通管理和自助泊车系统提供更好的服务。
9、在进一步的实施方案中,所述步骤s1包括步骤:
10、s11、进行图像采集,并根据停车位类型将获取的停车位图像划入水平车位数据库、垂直车位数据库;
11、s12、将水平车位数据库分为水平训练集和水平测试集,将垂直车位数据库分为垂直训练集和垂直测试集;
12、其中,所述垂直车位数据库包括斜向车位的停车位图像。
13、本方案根据不同的停车位类型进行停车位图像划分,进而生成对应的训练集和测试集,为水平车位识别子网络、垂直车位识别子网络提供针对性的训练数据,以提高停车位识别精度。
14、在进一步的实施方案中,所述步骤s2包括步骤:
15、s21、基于卷积神经网络构建水平车位识别子网络,所述水平车位识别子网络包括8层卷积层、4层池化层、10层归一化层、10层激活层、2层全连接层以及1层softmax层作为损失函数;
16、s22、基于卷积神经网络构建垂直车位识别子网络,所述垂直车位识别子网络包括6层卷积层、4层池化层、8层归一化层、8层激活层、2层全连接层以及1层softmax层作为损失函数;
17、s23、设置所述水平车位识别子网络、垂直车位识别子网络并行,并在输出端接入损失函数训练模型。
18、本方案基于卷积神经网络分别构建不同卷积深度的水平车位识别子网络、垂直车位识别子网络,采用不同的卷积深度分别处理水平车位和垂直车位数据,进行特征提取和识别,有助于提高停车位检测系统的性能,减少漏检和误检情况。
19、在进一步的实施方案中,在水平车位识别子网络中,设置平均池化层的内核为2、步长为2;在垂直车位识别子网络中,设置平均池化层的内核为1、步长为1。
20、本方案通过双分支学习网络模型设置的平均池化层调整图像大小,在水平车位识别子网络中,设置平均池化层的内核为2、步长为2,以优化图像的全局属性识别性能;在垂直车位识别子网络中,设置平均池化层的内核为1、步长为1,使图像尺寸保持不变,便于图像中局部特征的识别。
21、在进一步的实施方案中,所述步骤s3包括步骤:
22、s31、根据停车位类型,将所述停车位图像分别输入水平车位识别子网络、垂直车位识别子网;
23、s32、通过前向传播计算得到预测结果,使用softmax函数将输出转化为概率分布;
24、s33、通过softmax函数衡量预测结果与真实值之间的差异,再根据损失函数计算得到的误差,使用反向传播算法计算梯度;
25、s34、使用随机梯度下降法并根据所述梯度更新模型参数,直至完成训练得到训练好的双分支学习网络模型。
26、本方案根据停车位类型,将停车位图像分别输入水平车位识别子网络、垂直车位识别子网进行针对性的模型训练,由于两个子网络采用了不同深度,有利于对水平/垂直停车位图像全局特征和局部特征的识别。
27、在进一步的实施方案中,所述步骤s3还包括步骤:
28、s30a、在softmax函数上加入调节因子(1-pi)θ,用于增加斜向车位的权重,计算公式如下:
29、
30、式中,θ为调节因子,yi∈{0,1}表示图像的真实标注,yi=0表示第i个样本为垂直车位,yi=1表示第i个样本为斜向车位;pi表示第i个样本经过softmax函数的预测值,f(pi)表示斜向车位惩罚系数。
31、在进一步的实施方案中,所述步骤s3还包括步骤:
32、s30b、增设平衡参数μ平衡样本权重,计算公式如下:
33、f(pi)=μf(pi)
34、其中,f(pi)为自适应惩罚项,平衡参数μ表达式为:
35、
36、式中,ri示采集数据中斜向车位占垂直车位样本总数的比例。
37、在进一步的实施方案中,在所述步骤s4中,总损失函数表示为:
38、
39、g(pi)=-(yilog(pi)+(1-yi)log(1-pi))
40、式中,loss表示总损失,n表示训练样本总数,g(pi)表示交叉熵分类损失,α为调节因子。
41、本方案将斜向车位归类到垂直车位中,为辅助斜向车位的识别,针对斜向车位在模型中增加自适应加权损失函数,设置平衡参数μ平衡样本权重;设置损失函数训练模型,通过最小本文档来自技高网...
【技术保护点】
1.一种基于深度双分支网络的停车位检测方法,其特征在于,包括步骤:
2.如权利要求1所述的一种基于深度双分支网络的停车位检测方法,其特征在于,所述步骤S1包括步骤:
3.如权利要求2所述的一种基于深度双分支网络的停车位检测方法,其特征在于,所述步骤S2包括步骤:
4.如权利要求3所述的一种基于深度双分支网络的停车位检测方法,其特征在于:在水平车位识别子网络中,设置平均池化层的内核为2、步长为2;在垂直车位识别子网络中,设置平均池化层的内核为1、步长为1。
5.如权利要求4所述的一种基于深度双分支网络的停车位检测方法,其特征在于,所述步骤S3包括步骤:
6.如权利要求5所述的一种基于深度双分支网络的停车位检测方法,其特征在于,还包括步骤:
7.如权利要求6所述的一种基于深度双分支网络的停车位检测方法,其特征在于,还包括步骤:
8.如权利要求7所述的一种基于深度双分支网络的停车位检测方法,其特征在于,在所述步骤S4中,总损失函数表示为:
9.一种存储介质,其上存储有计算机程序,其特征在于:
...【技术特征摘要】
1.一种基于深度双分支网络的停车位检测方法,其特征在于,包括步骤:
2.如权利要求1所述的一种基于深度双分支网络的停车位检测方法,其特征在于,所述步骤s1包括步骤:
3.如权利要求2所述的一种基于深度双分支网络的停车位检测方法,其特征在于,所述步骤s2包括步骤:
4.如权利要求3所述的一种基于深度双分支网络的停车位检测方法,其特征在于:在水平车位识别子网络中,设置平均池化层的内核为2、步长为2;在垂直车位识别子网络中,设置平均池化层的内核为1、步长为1。
5.如权利要求4所述的一种基于深度双分支...
【专利技术属性】
技术研发人员:田梓民,
申请(专利权)人:惠州华阳通用电子有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。