融合停车线方向的端到端停车位检测网络

智能汽车自动泊车功能的基本要求之一是能够快速准确地检测出未被占用的停车位。针对这一问题,设计了一种融合停车线方向与全局特征的端到端可训练的停车位检测网络。首先提取出车位关键点的坐标以及关键点对应停车线的方向,并从图像全局特征中使用关键点的坐标提取出局部特征。将关键点信息、局部特征、全局特征使用交叉注意力机制融合,利用入口线鉴别器推断出关键点的停车位构成关系。根据关键点的停车位构成关系以及停车线方向,裁剪出停车位的区域图像并送入定制的车位占用分类网络进行分类,得到车位的占用信息。本文提出的方法在公共基准数据集PS2.0上进行了实验,其中该方法对矩形停车位的检测精度为99.65%,对倾斜停车位的检测精度为99.04%,在单块GPU上能够达到80 fps的检测速率。经验证,所提出的方法可以实时高精度的检测停车位位置、方向以及占用情况。

基于全景环视的端到端停车位检测方法

现有停车位检测方案大多将目标检测方案和人工设计的后处理模块进行简单结合,各阶段提取的特征存在大量冗余信息.并且,人工设计的后处理模块通常适应面窄,计算量大,最终导致停车位检测效果难以实用.针对这些问题,本文引入全景视觉,结合现有算法的优点与环视图像的特点,设计端到端的无锚框停车位检测算法.该算法对停车位进行进入线朝向建模,而非单独考虑两个入口点,省去了停车位入口点匹配和朝向判断流程,最终实现完全一体化的停车位位置、朝向和占用情况检测.考虑到实用性,在网络结构设计上进行了速度和精度的平衡、正负样本均衡,以及无后处理等多方面优化.最终,在ps2.0数据集上,本文提出的AFPSD模型以88.7的FPS(每秒帧数)达到68.7%的AP,相较VPS-Net和DMPR-PS方案精度分别提升1.2%和2.1%.由此可知,本文设计的一阶段端到端方案可以代替三阶段方案,在环视图像上实现停车位的稳定检测.

基于协作注意力和图神经网络的轻量化车位检测算法

为提高自动泊车过程车位检测的实时性和准确性,提出一种基于协作注意力和图神经网络的轻量化车位检测算法。首先,采用轻量化的网络结构,以改进的MobileNetV3作为特征提取网络,通过深度可分离卷积获得车位标记点的位置信息和特征信息,并将二者结合得到标记点的融合特征,然后构建图神经网络结构以增强车位标记点之间的内在联系,并结合协作注意力机制实现对多头注意力的整合,最后,通过公共车位数据集PS2.0对所提出的算法进行测试,结果表明,该算法的检测精度优于当前主流算法,平均每帧图像推理时间可缩短至10.1ms,具备良好的准确性和实时性。

基于全景图像与人机交互的自动泊车系统

针对目前自动泊车系统对传感器数量和算力要求较高的问题,提出了一种基于全景图像与人机交互的自动泊车系统方案,针对改进的空闲停车位网络(VPS-Net)进行量化感知训练,实现实时车位检测和车位占据分类,同时借助驾驶员对周围环境的判断,仅利用车身四周的4个环视鱼眼摄像头完成空车位检测与泊车环境实时监测,并利用多段式路径规划与路径跟踪控制器实现车辆平稳、准确地停入车位。验证结果表明,该系统可以在各种典型车位和光照条件下实现自动泊车。

改进YOLOv5网络模型的车位检测方法

针对目前车位检测方法效率低的问题,提出一种轻量级车位检测方法OG-YOLOv5.首先,基于YOLOv5网络添加车位分隔线方位回归分支,实现车位方位的准确预测,可直接根据网络预测结果推断完整车位信息;其次,通过检测尺度裁剪、 Ghost模块重构网络实现模型轻量化;最后,通过在网络主干中引入ECA注意力机制、优化损失函数提高目标预测精度.通过对比实验,结果表明,所提OG-YOLOv5网络的mAP@0.5达到98.8%,模型参数量和计算量仅为原模型的32.0%和28.3%,在GPU和CPU上的检测时间分别减少16.2%和28.1%,车位检测准确率和召回率分别达到97.75%和96.87%.

一种基于环视系统的车位检测方法

针对传统视觉系统视野有限的问题,提出了一种基于环视系统的车位检测方法。环视系统由4个鱼眼相机构成,对每个相机获取的图像进行畸变校正和逆透视变换得到鸟瞰图;使用加权平均融合的策略将4幅鸟瞰图拼接融合为一幅环视图,该环视图像能显示的左右最远距离能达到7.5m;在环视图的基础上,提出了一种新颖的车位检测算法,该算法利用LSD(Line Segment Detector)算法检测环视图像中的直线。实验表明,该方法比常用的霍夫变换具有较高的检测精度和鲁棒性,并且能够达到实时的要求。

一种基于环视图像的空停车位检测方法

停车位检测是自动泊车系统的重要组成部分.针对车位线及角点不清晰或出现遮挡情况下的车位难以检测问题,提出了一种基于环视图像的空停车位检测方法.该方法将整个空停车位视为一个整体,在空停车位车位线及角点信息不完整的情况下利用MobileNetV3进行特征提取并构建特征金字塔,进而实现分类、边框回归和语义分割,再根据Douglas-Peucker算法对语义分割结果进行拟合得到空停车位.实验表明,所提方法在ps2.0数据集测试集中挑选出的车位线及角点不清晰或者出现遮挡的197张测试图片中检测性能优秀,精确率达到98.39%,召回率达到97.21%,实现单帧11 ms的检测速度,能对不同环境下的不同类型车位进行检测.此外该方法在自注释数据集上具有优秀的性能,有较好的泛化能力.

基于多台飞行时间相机的建图与结构语义的三维库位检测

提出一种基于多台飞行时间(ToF)相机的建图与结构语义的三维库位检测方法.利用多台ToF相机进行联合观测,采用视觉里程计对局部停车场场景进行建图,并通过对停车场墙面、顶面、地面和障碍物结构语义信息的聚类和分割,实现对三维停车库位的实时检测.结果表明:该方法在有效探测范围内库位检出率为94.83%,库位宽度识别精度为14.4 cm,高度识别精度为12.4 cm.

基于改进Mask-RCNN算法的车位检测研究

车位检测是自动泊车至关重要的环节,在复杂情况下,为同时实现自动泊车视觉系统对车位识别和车位状态分类,提出一种基于改进掩模区域卷积神经网络(Mask Region Convolutional Neural Network,Mask-RCNN)算法的C-Mask-RCNN车位检测算法。C-Mask-RCNN车位检测算法通过在Mask-RCNN算法的ResNet50特征提取网络中增加卷积块注意力模块(Convolutional Block Attention Module,CBAM),使模型更加关注车位相关的语义信息。利用C-Mask-RCNN车位检测算法中的区域卷积神经网络(Regions with Convolution Neural Network,RCNN)分支网络进行车位检测,实现Keypiont分支进行车位8个关键点的预测。实验结果表明,改进后的C-Mask-RCNN车位检测算法较Mask-RCNN算法在车位类型识别平均精确率上提升7.4%,在车位状态识别平均精确率上提升11.1%,并且车位线关键点预测的平均像素误差减少15.1 px。

基于环视系统的停车位检测与跟踪算法

为提供准确有效的停车位位置信息,提出一种基于车位导轨线跟踪和车位角特征的检测方法。首先,从直线段检测(LSD)算法检测的线段中提取车位导轨线,通过导轨线跟踪算法增强环境适应性,确定车位角的待检测感兴趣区域。其次,训练了单个基于方向梯度直方图(HOG)特征的支持向量机(SVM)分类器进行“T”型和“L”型车位角检测,使用改进的非极大值抑制算法优化检测结果。试验结果表明,与仅基于车位线特征或车位角特征的算法相比,所提出的算法漏检率更低,在多种天气条件下具有较好的鲁棒性和适应性。

基于全景视频下标记点特征的停车位检测技术研究

在车载全景系统中,如何准确地检测停车位的位置和车位的方向仍然是一个待解决的问题。针对这一问题,设计了一个双路并行多尺度标记点检测网络,双路网络分别用于检测标记点的位置和角度。对全景图像提取多尺度的特征,并行维护一高一低两个分辨率的分支网络,两个分支互相融合,高分辨率特征以高斯热图的形式表述标记点的位置。提出了一种新的停车位方向计算方法,使用两个标记点的方向以及两个标记点的相对位置计算停车位的方向。为验证所提方法的可行性,使用公共数据集PS2.0的训练集训练所设计的网络,在公共数据集PS2.0和自行采集的数据集PSS上分别测试的停车位检测精确度为99.4%、95.27%,召回率为99.88%、80.89%,在PS2.0上标记点位置平均误差为0.84 pixel,车位方向的误差为0.71°。实验结果表明,与现有方法相比,所提出的车位检测网络降低了标记点定位和车位方向的误差,且在PSS数据集上有较强的泛化能力。

基于环视图的车位检测算法研究

首次将车位检测视作伪装检测任务,设计出一种紧凑高效的神经网络模型。首先,模仿捕食者捕捉猎物的关键特征,先对目标区域进行搜索,粗略定位后,再进行边界框的精确回归,设计了一种端到端的高效回归方式;其次,建立数据集,使车位检测算法能够实现高精度的同时满足实时性的性能要求;最后,通过超像素并行模块,实现对目标的更精确定位。用4颗鱼眼相机拼接后的图片进行实验,从当前车位检测数据集中选择近似伪装的图片并加入了一些数字处理手段,经处理后一共得到了10 000张图片(6 000张用来训练,4 000张用来测试),并按照伪装目标检测的标准进行标注,作为实验的训练集和测试集。实验证明,所提出的网络模型能在遮挡、阴影、灰尘污染等难以辨认的环境中对车位线进行精确识别并回归出位置。

基于YOLOv2-Tiny的环视实时车位线识别算法

车位线识别是自动泊车系统中感知环节的关键,本文基于轻量化的目标识别网络YOLOv2-Tiny实现车位角点检测,并通过对网络识别出的角点块区域进行灰度化、自适应二值化、开运算等预处理,后续进行骨架提取,利用概率霍夫变换检测角点骨架直线从而计算校正后的角点中心,并确定车位摆向。所提出的方法可用于检测不固定角度的平行、垂直与斜列车位,识别效果优异,检测效率高,可满足实时性要求。

基于深度学习的停车位检测研究

随着智能网联汽车的发展,越来越多的学者投身于L4级以上的稳定的自动驾驶算法研究中来。自动泊车系统作为智能网联汽车的一项重要功能,能够在有效提升驾驶体验的同时,降低由于复杂地段的泊车困难带来的交通事故和经济损失,因此自动泊车在学术界和工业界掀起了研究热潮。传统的自动泊车系统中对于车位的感知依赖于超声波雷达,并且对车位空间结构有诸多限制。由于复杂的视觉环境和环视图像上停车位的不完整显示,基于视觉的停车位检测是一项重大挑战。本文提出了一种基于卷积神经网络(CNN)的车位检测算法,设计适用于车载环视图像的多重沙漏网络,并引入一种策略选择最佳感受野,从而联合检测停车位的角和线特征。所提出的方法达到了较高的精度和召回率,在搭载GPU的嵌入式移动终端可以达到30 FPS的实时性和较高的精准度。