融合Faster R-CNN与ResNet的室外停车场空车位检测

停车难现已成为都市生活的痛点,而在停车场内寻找空闲车位也成为了停车的一大难题。针对该问题,本文提出了一种基于Faster R-CNN与ResNet-101相融合的目标检测模型的方法。与经典的机器学习方法相比,目标检测模型采用RPN网络替代Selective Search的方法,大大提高了区域候选框的生成速度。同时,ResNet-101模型不断深化网络,优化了深度学习的性能,从而增强了训练集的准确性,使检测结果达到更好的效果。通过在复杂场景下进行非限制性测试,模型对空车位检测准确率达到98%以上。

基于计算机视觉的室外停车场车位检测实验设计

为便于汽车驾驶员在室外停车场中寻找可用空车位,基于以数据采集、图像处理和目标检测等过程的计算机视觉,开发了室外停车场车位检测实验。该实验将Haar-like特征描述和车位中颜色能量变化作为判别模型的数据输入,选取随机森林作为车位可用状态的判别模型。通过在国际公开数据集PKLot上进行实验,对可用车位的检测准确率的均在91%以上;在自建的GZMU-LOT上进行实验,可用空车位的检测准确率达92.21%。

记忆随机平均背景差模型在目标检测中的应用

为解决经典背景差方法在运动目标检测过程中由于目标短时间滞留导致漏检问题,提出一种记忆随机平均背景差模型的背景建模方法。在记忆随机平均背景差中,将视频中首帧划分为块,计算连续两帧之差作为初始背景,从当前帧往前随机选择一定帧的均值作为背景,通过当前帧减去背景即可得到运动目标。经在国际公开数据集(SBI)上进行大量实验,验证了设计的精准性和有效性。