[发明专利]一种全景停车位的检测方法

说明书

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。

技术领域

本发明属于数字图像处理和停车位检测的技术领域，具体涉及一种全景停车位的检测方法。

背景技术

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。

发明内容

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，本发明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。

本发明的技术方案如下：

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；