基于深度卷积神经网络的停车位检测

提高大型停车场中的停车位检测精度和实时性具有重要意义。介绍了在基于深度学习框架tensorflow下搭建包括基础网络和辅助网络的网络结构。基础网络是Resnet网络,用于提取图像特征信息和图像分类信息;辅助网络是多尺度特征检测网络,用于提取不同尺度的特征图。最后通过非极大值抑制算法筛除重复检测框,得到停车位检测最佳位置。实验结果表明,该网络mAp值为81%,fps为32,与SSD、YOLO、Faster R-cnn相比,mAp值分别提高为2%,4.6%,0.5%,fps值分别提高为2,4,24,有效提高检测精度和实时性。

基于深度学习的智能停车车位检测

智能停车系统中车位检测易受天气变化、障碍物遮挡和背景干扰等影响而导致车位检测准确率降低,为了解决该问题,文中研究了基于深度学习的停车场车位占泊检测技术。首先,给出了基于改进YOLO的单车位检测算法,其把YOLO网络每层的输入归一化处理以有效避免过拟合,且把全连接层替换为全卷积层以提取多种尺寸输入的特征;然后,研究了基于改进SSD的多车位检测算法,其采用优化的ResNet网络替换原SSD的VGG网络为且优化了激活函数。实验和测试结果表明,所提方法能够有效提高单/多车位检测准确率。