申请/专利权人：哈尔滨理工大学

申请日：2023-09-13

公开（公告）日：2024-04-02

公开（公告）号：CN117152716B

主分类号：G06V20/58

分类号：G06V20/58;G06V10/82;G06V10/774;G06V10/80;G06V10/764;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.12.19#实质审查的生效;2023.12.01#公开

摘要：本发明提出一种考虑方向入口线和辅助标记点的停车位检测方法，旨在通过图注意力机制将方向入口线和辅助标记点相结合以提高停车位检测的鲁棒性和简易性。首先选择合适的数据集制作训练样本和测试样本；其次，将训练样本输入到卷积网络中提取深度特征，将深度特征输入到方向入口线检测器和辅助标记点检测器，综合考虑两者的结果，获取每个标记点的坐标以及相对坐标特征，经过双线性插值、特征融合获取每个标记点的融合特征；然后通过图注意力机制获取包含所有标记点信息的注意力加权特征；最后将重要标记点的注意力加权特征拼接输入到停车位鉴别网络，判断其能否形成合理的停车位。本发明可以使模型快速、鲁棒地检测出各种类型的停车位。

主权项：1.一种考虑方向入口线和辅助标记点的停车位检测方法，其特征在于，包括以下步骤：S1：选择合适的数据集，按比例将数据集中的图像分为训练样本和测试样本，训练样本中包含停车位的标注信息，并对样本进行多尺度图像增强操作；S2：将图像输入到图特征编码网络，以获取每个标记点的坐标以及融合特征，包含以下子步骤：S2.1：将图像输入到卷积网络中获取图像的深度特征；S2.2：将深度特征输入到标记点类别检测器，检测标记点属于第n对辅助标记点还是属于方向入口线的中心点，损失函数采用交叉熵，如式1所示： 式中，p＝[p0，p1，…，pn]是一个概率分布，每个元素pj表示样本属于第j类的概率，y＝[y0，y1，…，yn]是样本标签的one-hot表示，当样本属于第j类时，yj＝1，否则，yj＝0；S2.3：将深度特征输入到标记点特征提取网络，获取停车位的标记点特征；S2.4：将深度特征输入到方向入口线检测器预测方向入口线中心点的坐标px，y，方向入口线的距离l、方向入口线的角度θ，通过式2计算出标记点p1x，y和p2x，y的坐标； S2.5：将深度特征输入到辅助标记点检测器预测辅助标记点对的坐标，通过式3计算出第n对辅助标记点间的ln，θn，pnx，y： 式中，p2n+1x，y和p2n+2x，y是一对辅助标记点，ρ表示距离，w和h是输入图像的宽度和高度，λ是归一化常数；S2.6：综合考虑S2.4以及S2.5的预测结果，然后通过非极大值抑制NMS选择最优的标记点坐标；S2.7：将标记点特征与标记点的相对坐标特征进行逐元素相加，获取每个标记点的融合特征；S3：将融合特征输入到图特征聚合网络，获取注意力加权特征，具体包含以下子步骤：S3.1：对所有的小停车位都应用图注意力机制以获取每个小停车位4个顶点间的注意力加权特征；S3.2：对S3.1中所有的注意力加权特征再次应用图注意力机制，获取所有标记点的注意力加权特征；S3.3：将第一对辅助标记点的注意力加权特征逐元素相加后与方向入口线中心点的注意力加权特征拼接输入到停车位鉴别网络，判断能否形成合理的停车位；S4：基于S3预测出合理的停车位，计算停车位的类型，具体包含以下子步骤：S4.1：在一个停车位上至少选择三个点的坐标，其中两个点的坐标是标记点的坐标p1x，y和p2x，y，另外的一个可以是任意辅助标记点，假设选择的坐标为p4x，y；S4.2：根据标记点的建立规则，可以确定p1x，y和p2x，y形成一条直线，p1x，y和p4x，y形成一条直线，然后计算出停车位的角度θ1；S4.3：根据θ1的值判断停车位的类型，是倾斜的、平行的还是垂直的，接着通过标记点p1x，y和p2x，y间的距离进一步判断是垂直停车位还是平行停车位；S4.4：根据S4.2计算出来的θ1以及标记点的坐标，并根据S4.3推断出的停车位的类型，选择合适的分割线长度作为先验知识进一步推断出完整的停车位。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 一种考虑方向入口线和辅助标记点的停车位检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD