CN110751850B - 一种基于深度神经网络的车位识别方法和系统 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的车位识别方法和系统，包括以下步骤，采集模块采集平时日常生活中会遇见的可泊车位构建数据集；筛选模块进行数据筛选，分类为可泊车位和非可泊车位分为两类；构建可泊车位识别的深度神经网络模块，将分好类的数据集放入构建好的网络中进行训练；当训练出的模型在测试集上的识别准确率达到99％以上时，模型部署使用。本发明的有益效果：基于深度学习的深度神经网络在一定程度上提高对于可泊车位判断的精度和覆盖度，更加全面、精确得预测可泊车位,并对自动泊车系统提供可靠的车位方位定位。

Description

一种基于深度神经网络的车位识别方法和系统

技术领域

本发明涉及自动驾驶车位识别的技术领域，尤其涉及一种基于深度神经网络的车位识别方法和系统。

背景技术

近年来伴随着深度学习的发展，深度学习在汽车自动控制领域在尝试新的突破和进展。相对于传统视觉算法,深度学习算法具有更丰富的图像特征提取和目标分类能力。将基于深度学习的深度神经网络应用于识别可泊车位系统中，有利于系统更好的从多个摄像头分析可泊车位，从而达到精确识别可泊车位的目的,并将可泊车位的位置信息传送给控制系统,从而达到自动泊车的功能。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的一个技术问题是：基于深度学习的深度神经网络在一定程度上提高对于可泊车位判断的精度和覆盖度，更加全面、精确得预测可泊车位,并对自动泊车系统提供可靠的车位方位定位。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度神经网络的车位识别方法，包括以下步骤，采集模块采集平时日常生活中会遇见的可泊车位构建数据集；筛选模块进行数据筛选，分类为可泊车位和非可泊车位分为两类；构建可泊车位识别的深度神经网络模块，将分好类的数据集放入构建好的网络中进行训练；当训练出的模型在测试集上的识别准确率达到99％以上时，模型部署使用。

作为本发明所述的基于深度神经网络的车位识别方法的一种优选方案，其中：还包括以下步骤，将地图和泊车位显示出来供车主进行人工确认，如果存在无标识线的车位或需要新增加规划车位，提供人工手动划定泊车区域，生成泊车地图；车辆根据生成的所述泊车地图进行泊车位搜寻的路径规划。

作为本发明所述的基于深度神经网络的车位识别方法的一种优选方案，其中：所述路径规划包括，检测车辆在所述泊车地图内有固定车位，则直接规划由当前位置至所述固定车位的轨迹并控制车辆行驶，导航到所述固定车位进行自动泊车。

作为本发明所述的基于深度神经网络的车位识别方法的一种优选方案，其中：所述路径规划还包括，检测出车辆在所述泊车地图内无固定车位；在所述泊车地图中搜索能够使用车位；根据历史数据在所述泊车地图中预测规划一条最优的路径；控制导航车辆的行驶，在行驶过程中每遇到可用车位就检测车位上是否不适合停车的状况，直到检测到能够泊入的车位并自动泊入。

作为本发明所述的基于深度神经网络的车位识别方法的一种优选方案，其中：所述不适合停车的状况为预留车位、专用车位和车位尺寸不适合车辆大小的可用车位。

作为本发明所述的基于深度神经网络的车位识别方法的一种优选方案，其中：所述最优路径筛选考虑因素，包括以下规划步骤，根据历史经验采用数据挖掘算法计算当前时间段各个能够用车位的空闲概率，优先选择空闲概率较大车位作为目标车位进行轨迹规划；如果空闲概率均不足够大，则优先选择具有高概率且高概率车位密集分布的区域进行轨迹规划；每次泊车完成后根据所经过路径上各车位的实际状况对该概率进行更新。

本发明解决的另一个技术问题是：提出一种基于深度神经网络的车位识别系统，上述方法能够依托于本系统实现。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度神经网络的车位识别系统，包括设置于车辆上的采集模块、与所述采集模块连接的筛选模块和深度神经网络模块；

所述采集模块能够采集平时日常生活中会遇见的可泊车位构建数据集；所述筛选模块接收所述数据集进行数据筛选，分类为可泊车位和非可泊车位分为两类；所述深度神经网络模块利用所述数据集进行训练，并部署于车辆主机内。

本发明的有益效果：基于深度学习的深度神经网络在一定程度上提高对于可泊车位判断的精度和覆盖度，更加全面、精确得预测可泊车位,并对自动泊车系统提供可靠的车位方位定位。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一种实施例所述基于深度神经网络的车位识别方法的整体流程示意图；

图2为本发明第一种实施例所述基于深度神经网络的车位识别系统的整体原理结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

通过多个摄像头,采集平时日常生活中会遇见的可泊车位,包括划线的可泊车位(可泊侧方位车位和可泊倒车入库车位等),以及非划线可泊车位,(没有禁标志\禁停线的可泊侧方位车位和可泊倒车入库车位等),同样,相对于可泊车位,我们也会通过相同摄像头采集相同数量的非可泊车位图像数据,如车位中已泊有其他车辆,车位中有障碍物,车位中有行人等状况。

具体步骤如下：

在多种可泊车位/非可泊车位旁通过多个车身摄像头采集图像数据；筛选数据,将可泊车位和非可泊车位分为两类；构建可泊车位识别的深度神经网络，将第二步分好类的数据集放入构建好的网络中进行训练；当训练出的模型在测试集上的识别准确率达到99％以上时，模型可部署使用。

进一步的，一种基于深度神经网络的车位识别方法，包括以下步骤，

采集模块100采集平时日常生活中会遇见的可泊车位构建数据集；

筛选模块200进行数据筛选，分类为可泊车位和非可泊车位分为两类；

构建可泊车位识别的深度神经网络模块300，将分好类的数据集放入构建好的网络中进行训练；

当训练出的模型在测试集上的识别准确率达到99％以上时，模型部署使用。

本实施例还包括泊车位自动路径规划的步骤，将地图和泊车位显示出来供车主进行人工确认，如果存在无标识线的车位或需要新增加规划车位，提供人工手动划定泊车区域，生成泊车地图；车辆根据生成的泊车地图进行泊车位搜寻的路径规划。

路径规划还包括，

检测车辆在泊车地图内有固定车位，则直接规划由当前位置至固定车位的轨迹并控制车辆行驶，导航到固定车位进行自动泊车。

检测出车辆在泊车地图内无固定车位；在泊车地图中搜索能够使用车位；根据历史数据在泊车地图中预测规划一条最优的路径；控制导航车辆的行驶，在行驶过程中每遇到可用车位就检测车位上是否不适合停车的状况，直到检测到能够泊入的车位并自动泊入。

其中不适合停车的状况为预留车位、专用车位和车位尺寸不适合车辆大小的可用车位。以及最优路径筛选考虑因素，包括以下规划步骤，

根据历史经验采用数据挖掘算法计算当前时间段各个能够用车位的空闲概率，优先选择空闲概率较大车位作为目标车位进行轨迹规划；如果空闲概率均不足够大，则优先选择具有高概率且高概率车位密集分布的区域进行轨迹规划；每次泊车完成后根据所经过路径上各车位的实际状况对该概率进行更新。

需要说明的是，本实施例中筛选模块200的分类包括：

筛选模块200包括以下步骤，

设u(a_1u，a_2u，…，a_nu)为未知类别的样本，其中p(C_k|u)是u属于类别ck∈{c₁，c₂，…，c_m}的概率；

假设各属性的取值互相独立，可以推导出：

根据此公式，对一个未知类别的样本u,可以计算出u属于每一个类别的概率,选择其中概率最大的类别作为其类别。

各属性之间互相独立，即对于任何可能的属性A,B和类别属性C的取值，pr(A|B,C)＝pr(A|C)都成立,则认为给定类别C、属性A和B是互相独立的。当数据集满足这种独立性假设时，分类的准确度较高，否则，则较低。

进一步的，深度学习特点就在于这些原始数据的特征信息不是人为提取的，而是计算机使用一种通用的方法自主学习得到的，同样的方法不仅可以运用于图像的识别，还可以用在其他数据的识别任务中，使得人们利用计算机做更智能的任务有了另一条途径，使用深度学习的方法，只要给训练过程加上适当的限制条件就可以比之前更容易地达到目的。

需要说明的是，对于本实施例中采用的深度学习神经网络模型，使用多个表示层学习算法，使得整个学习过程能够从输入的原始数据主动找出能够表示原始数据多层数据特征的表示。多层特征计算中，每一层都是一个简单而非线性的数据转换模块，通过足够多的这样的转换(即多层特征计算)，形成了一个复杂特征提取的功能，得到原始数据在某个抽象级别上的特征。

本实施例中可以采用如下的深度学习方法。当拥有一组有标签的数据时，我们计算一个目标函数，测量计算结果和实际标签之间的误差值，这种误差值根据不同的应用背景采用不同的测量方法。计算机通过学习算法，计算每个步骤的梯度误差，调整算法内部可调参数的值，进而减小测量误差。这种内部可调参数称为权值，权值直接决定了从输入数据得到输出数据的方法是否能够有效工作。

本实施例中对于车身传感器数据在深度学习神经网络模型的参数调整。具体的通过以下方式实现。

在一个典型的深度学习神经网络模型中，通常有成千上万的这种内部可调参数，而用于训练这些参数的训练数据则会更多。如果将所有的内部可调参数看作一个权值矩阵，那么为了得到一个合适的权值矩阵，学习算法会计算出一个梯度向量，对于每一个权值，梯度值表示了在伴随一定测量误差的情况下，每个权值应该分担的微小误差值，权值向相反的方向减去梯度值，从而完成一次参数调整。

假设我们已经有了一组包含m个样本的训练数据{(x⁽¹⁾，y⁽¹⁾)，…，(x^(m)，y^(m))}，则可以用批量梯度下降算法来训练多层神经网络，例如对于一个训练样本，我们定义对应的目标函数如下式所示：

基于二范数在一定程度上给出了预测值和真实值的量化差异，对于批量样本，目标函数定义下式所示：

式中J(w，b)的第二项称为正则项，它的作用是防止网络中因某个权值过大而引起过拟合。通常正则化操作并不针对偏移项

因为对于以防止过拟合为目的的操作来说，对偏移量做梯度下降没有明显影响到网络的最终输出。权值衰减参数控制着目标函数的差值项和正则项的相对权重。我们的目标是以w和b为参数，最小化目标函数J(w，b)的输出，参数的初始值服从正态分布。

参数的初始化训练多层网络，将第i层的误差值反向传播到第i-1层，如果连接第i-1层和第i层的权值矩阵的元素值统一，则误差将被线性地反向传播，达不到训练的效果。因此在训练开始之前通常按照N～(0，ε²)对参数初始化。

每一步迭代对多层神经网络中的权值矩阵和偏移量矩阵的修改是通过如下公式进行：

其中，α表示学习率，通常需要根据训练环境设计适当的公式递归计算得出。式中对权值和偏移量的偏导数在批量样本训练取其偏导数均值，并考虑正则化，同样的，偏移量偏导数不考虑正则化，得下式所示的求解公式：

首先将训练样本批量地进行前向传播，依次计算每层的激励值，包括最终输出层的输出函数h_w，b(x)，接下来为第l层的第i个节点计算其误差分量

依次计算L₂、L₃、L₄层的激励值，其中L4层的激励值通过输出函数h_w，b(x)，计算得出。对于输出层的每个节点，其误差分量通过下式计算得出：

对每个隐层的所有节点计算误差分量，如第l层的第i个节点的误差分量计算方法如下式所示：

其中，f(z)是激励函数，则

接下来根据每个节点的误差分量分别对权值矩阵和偏移量矩阵求偏导数，如下式：

需要注意的是，当完成每层的前向传播计算时，应当临时保存该层的激励值，以便据其计算连接相邻两层的权值偏导数。

进行批量样本训练，对上述公式进行分别向量化表示得下式：

δ^(l)=((w^(l))^Tδ^(l+1))·f′(z^(l))

分别定义Δw^(l)和Δb^(l)，为连接第l层和第l+1层的权值微调矩阵和偏移量微调向量，首先将二者初始化：Δw^(l)＝0，Δb^(l)＝0。每次迭代训练完成后更新这两个微调参数，直至多轮迭代覆盖到所有训练样本：

最后，使用微调计算结果调整网络参数：

选择适当的学习率生成函数，随着迭代轮次的增大，减小损失函数输出，达到训练多层神经网络的目的。

场景一：

选择露天停车场，并设计空闲车位分别为划线可停车位,非划线可停区域,包含障碍物可停区域(障碍物所在位置不影响停放车辆),包含障碍物的不可停区域(障碍物所在位置影响停放车辆)本实施例将部署本方法的测试车辆和传统搜索方法进行对比测试，根据实验结果得到对比数据，实验中本方法基于深度神经网络技术，而传统方法采用毫米波雷达测距的方法,简单得检测周围是否有障碍物,通过调整车辆角度来避开障碍物的方式进行侧方位停车,并不能智能得通过类似人类视觉的方法去提前预判车位是否可停。

进行了几组简单的实验，对各个方式进行性能比较，使用相同的测试样本,分别基于传统的毫米波雷达判断可停区域和本方法基于深度神经网络的识别方法,以观察针对不同特定场景两种方案的识别准确率和识别速度。本测试通过测试依次对停车场待判定区域通过行驶检测识别30次，记录每次的识别时间，在对30次识别速度进行求平均值和计算30次的识别准确率，最终其测试的实际结果如下表1的示意。

表1：测试结果。

由上表可知，本方法无论是识别速度还是识别精度均相对于传统毫米波雷达判读可停区域有较佳的优势。

实施例2

参照图2的示意，本实施例中提出一种基于深度神经网络的车位识别系统，包括设置于车辆上的采集模块100、与采集模块100连接的筛选模块200和深度神经网络模块300；

采集模块100能够采集平时日常生活中会遇见的可泊车位构建数据集；筛选模块200接收数据集进行数据筛选，分类为可泊车位和非可泊车位分为两类；深度神经网络模块300利用数据集进行训练，并部署于车辆主机内。

需要说明的是，其中采集模块100为设置于车上的毫米波雷达、超声波雷达、单双目相机以及距离传感器等，用于采集车辆周围的数据，

筛选模块200和深度神经网络模块300设置于车载主机内的内集成芯片，芯片内写入程序，用于数据的处理。对于本实施例中是分别用于数据筛选和数据识别的功能，当然的，还应当包括显示模块400，将深度神经网络模块300识别的结果显示于车辆的显示屏中，提供给驾驶员相关的信息。

车载主机为ECU电子控制单元，其又称“行车电脑”、“车载电脑”等。从用途上讲则是汽车专用微机控制器，在ECU中CPU是核心部分，它具有运算与控制的功能，发动机在运行时，它采集各传感器的信号，进行运算，并将运算的结果转变为控制信号，控制被控对象的工作。它还实行对存储器(ROM/FLASH/EEPROM、RAM)、输入/输出接口(I/O)和其它外部电路的控制；存储器ROM中存放的程序是经过精确计算和大量实验取得的数据为基础编写出来的，这个固有程序在发动机工作时，不断地与采集来的各传感器的信号进行比较和计算。在本实施例中可以根据识别结果，进行控制车辆的自动泊入车位，或者根据驾驶者手动选择泊车位进行调取导航地图并控制车辆根据导航泊入车位中，完成车辆的自动泊车驾驶。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于深度神经网络的车位识别方法，其特征在于：包括以下步骤，

采集模块（100）采集日常生活中会遇见的可泊车位构建数据集；

筛选模块（200）进行数据筛选，分类为可泊车位和非可泊车位两类；

构建可泊车位识别的深度神经网络模块（300），将分好类的数据集放入构建好的网络中进行训练；

当训练出的模型在测试集上的识别准确率达到99%以上时，模型部署使用；

还包括以下步骤，

将地图和泊车位显示出来供车主进行人工确认，如果存在无标识线的车位或需要新增加规划车位，提供人工手动划定泊车区域，生成泊车地图；

车辆根据生成的所述泊车地图进行泊车位搜寻的路径规划；

所述路径规划包括，

检测车辆在所述泊车地图内有固定车位，则直接规划由当前位置至所述固定车位的轨迹并控制车辆行驶，导航到所述固定车位进行自动泊车；

所述路径规划还包括，

检测出车辆在所述泊车地图内无固定车位；

在所述泊车地图中搜索可使用的车位；

根据历史数据在所述泊车地图中预测规划一条最优路径；

控制导航车辆的行驶，在行驶过程中每遇到可用车位就检测车位上是否存在不适合停车的状况，直到检测到能够泊入的车位并自动泊入；

筛选所述最优路径，包括以下规划步骤，

根据历史经验采用数据挖掘算法计算当前时间段各个可用车位的空闲概率，优先选择空闲概率较大车位作为目标车位进行轨迹规划；

如果空闲概率均不大，则优先选择具有高概率且高概率车位密集分布的区域进行轨迹规划；

泊车完成后根据所经过路径上各车位的实际状况对该概率进行更新。

2.如权利要求1所述的基于深度神经网络的车位识别方法，其特征在于：所述不适合停车的状况为预留车位、专用车位和车位尺寸不适合车辆大小的可用车位。

3.一种基于深度神经网络的车位识别的系统，其特征在于：应用如权利要求1所述的基于深度神经网络的车位识别方法，包括设置于车辆上的采集模块（100）、与所述采集模块（100）连接的筛选模块（200）和深度神经网络模块（300）；

所述采集模块（100）可采集日常生活中可见的可泊车位构建数据集；所述筛选模块（200）接收所述数据集进行数据筛选，分类为可泊车位和非可泊车位两类；所述深度神经网络模块（300）利用所述数据集进行训练，并部署于车辆主机内。

Images