本文介紹一篇基于深度學(xué)習(xí)的停車位檢測(cè)論文：DeepPS，作者同時(shí)公開了數(shù)據(jù)集ps2.0，工作很扎實(shí)，對(duì)于入門停車位檢測(cè)很有幫助，論文發(fā)表在 IEEE T-IP 2018。

項(xiàng)目鏈接為：https://cslinzhang.github.io/deepps/

---

0. Abstract

在自動(dòng)泊車系統(tǒng)中，如何能準(zhǔn)確而高效地檢測(cè)和定位停車位是一個(gè)關(guān)鍵但尚未解決的問題。由于路面材質(zhì)的多樣性、光照條件的變化以及樹木產(chǎn)生的陰影等因素，使得基于視覺的停車位檢測(cè)變得比看上去困難得多。

本文提出了一種新的基于卷積神經(jīng)網(wǎng)絡(luò)的停車位檢測(cè)方法，即 DeepPS。DeepPS的關(guān)鍵步驟有兩個(gè)：識(shí)別輸入圖像上的所有標(biāo)記點(diǎn)和對(duì)標(biāo)記點(diǎn)對(duì)形成的局部圖像進(jìn)行分類。

其次，為了便于基于視覺的停車位檢測(cè)研究，建立了大規(guī)模的數(shù)據(jù)集。包括從典型的室內(nèi)和室外停車場(chǎng)采集的12165張環(huán)視圖。

---

1. Introduction & Related Work

下圖是一個(gè)典型的基于視覺的停車位檢測(cè)系統(tǒng)，該系統(tǒng)包括兩個(gè)模塊，即環(huán)視圖合成和對(duì)環(huán)視圖的停車位檢測(cè)。（本文重點(diǎn)介紹停車位檢測(cè)，環(huán)視圖合成可以查看相關(guān)文獻(xiàn)。）

下圖為本文中收集到的停車位數(shù)據(jù)：(a)、(b)、( c )、(d)中的停車位是垂直的，(e)、(f)、(g)中的停車位是平行的，(h)中的停車位是傾斜的。(a)和(b)是從室內(nèi)停車場(chǎng)采集的，其它的是從室外停車場(chǎng)采集的。(b)中的車位線是黃色的，而其它圖像中的車位線是白色的。(e)是在雨天采集的，(f)是晚上在路燈下采集的，在(g)中樹木造成的陰影覆蓋了停車線，(d)和(e)中車位線有所損壞。

對(duì)于采集的數(shù)據(jù)集，作者進(jìn)行了標(biāo)注，下圖中黃色圓圈為標(biāo)記點(diǎn)。

---

2. DeepPS: A DCNN-Based Approach

下圖分別為理想的垂直、平行和傾斜停車位。在圖中，所有標(biāo)記點(diǎn)都用黃圓圈標(biāo)記。此外，還標(biāo)記了車位進(jìn)入線（有效停車位的兩個(gè)標(biāo)記點(diǎn)的連接虛線）和車位分隔線(白色實(shí)線)。

對(duì)于停車位檢測(cè)，DeepPS主要分為三步：標(biāo)記點(diǎn)檢測(cè)、局部圖像模式分類和停車位推理。

---

A. Marking-Point Detection

本文選擇YoloV2模型作為標(biāo)記點(diǎn)檢測(cè)器。在訓(xùn)練階段，對(duì)于每張環(huán)視圖，首先人工標(biāo)注所有的標(biāo)記點(diǎn)。對(duì)于每個(gè)標(biāo)記點(diǎn) ${\mathbf{p}}_i$，都有一個(gè)以標(biāo)記點(diǎn)為中心固定尺寸為 $p\times p$ 的包圍框作為標(biāo)記點(diǎn)的真值包圍框。

為了使檢測(cè)器具有旋轉(zhuǎn)不變性，作者通過旋轉(zhuǎn)每張?jiān)紭?biāo)記圖片來增強(qiáng)訓(xùn)練集。具體地說，每張訓(xùn)練圖片 $\mathbf{I}$，可以得到它的 $\mathbf{J}$ 個(gè)旋轉(zhuǎn)版本圖片，$\{{\mathbf{I}}_j{\}}_{j=0}^{\mathbf{J}?1}$。其中 ${\mathbf{I}}_j$ 經(jīng)過旋轉(zhuǎn) $\frac{360}{\mathbf{J}}\times j$ 角度得到。同時(shí)標(biāo)記點(diǎn)的坐標(biāo)也以同樣的方式旋轉(zhuǎn)。

下圖中(a)是原始訓(xùn)練圖片，(b)是通過將圖(a)旋轉(zhuǎn)30度來生成的。標(biāo)記點(diǎn)為紫色點(diǎn)，邊界框?yàn)辄S色。

---

B. Local Image Pattern Classification

測(cè)試時(shí)，置信度大于 ${\delta }_1$ 的點(diǎn)將被視為標(biāo)記點(diǎn)。假如有兩個(gè)標(biāo)記點(diǎn) ${\mathbf{p}}_1,{\mathbf{p}}_2$，還需要驗(yàn)證其是否能夠形成有效的車位進(jìn)入線？

• 首先如果 ${\mathbf{p}}_1,{\mathbf{p}}_2$ 能夠形成一個(gè)有效的車位進(jìn)入線，兩個(gè)標(biāo)記點(diǎn)之間的距離應(yīng)該滿足一些距離約束條件。如果是平行停車位的車位進(jìn)入線，應(yīng)該滿足 $t_1<||{\mathbf{p}}_1{\mathbf{p}}_2||<t_2$，如果是垂直或傾斜停車位的車位進(jìn)入線，應(yīng)該滿足$t_3<||{\mathbf{p}}_1{\mathbf{p}}_2||<t_3$，參數(shù) $t_1、t_2、t_3、t_4$ 是根據(jù)各種停車位進(jìn)入線長(zhǎng)度的先驗(yàn)知識(shí)確定的。
• 然后，還需要進(jìn)一步處理滿足距離約束的標(biāo)記點(diǎn)對(duì)。首先，對(duì)于一對(duì)標(biāo)記點(diǎn)，雖然它可以滿足距離約束，但它們?nèi)匀缓芸赡軣o法形成有效的車位進(jìn)入線。例如，在下面的左圖中兩個(gè)標(biāo)記點(diǎn)之間的距離滿足作為平行停車位的車位進(jìn)入線的距離約束；然而，這兩個(gè)標(biāo)記點(diǎn)仍然無線形成有效的車位進(jìn)入線，因?yàn)樗鼈冎g還存在一個(gè)標(biāo)記點(diǎn)未檢測(cè)出來。另外，假設(shè)可以形成有效的車位進(jìn)入線。還需要確定相關(guān)的停車位是在順時(shí)針方向還是在逆時(shí)針方向，以及這個(gè)停車位是直角還是傾斜。所有這些問題都可以通過將兩個(gè)標(biāo)記點(diǎn)形成的局部圖像模式分類到預(yù)定義的類中來解決。

如中間的圖所示：首先建立以 ${\mathbf{p}}_1$ 和 ${\mathbf{p}}_2$ 的中點(diǎn)為原點(diǎn)，以 ${\mathbf{p}}_1{\mathbf{p}}_2$ 為 $\mathbf{X}$ 軸的局部坐標(biāo)系。因此可以確定它的 $\mathbf{Y}$ 軸。在這個(gè)坐標(biāo)系中，定義了一個(gè)矩形區(qū)域 $\mathbf{R}$。對(duì)于 $\mathbf{R}$，其沿 $\mathbf{X}$ 軸的長(zhǎng)度設(shè)為 $\Vert {\mathbf{p}}_1{\mathbf{p}}_2\Vert +\Delta x$ 及其沿 $\mathbf{Y}$ 軸的長(zhǎng)度設(shè)為 $\Delta y$, 從環(huán)視圖中提取 $\mathbf{R}$ 覆蓋的區(qū)域，將其歸一化為 $w\times h$ 的大小區(qū)域，得到了局部圖像模式。

在訓(xùn)練階段，會(huì)得到一個(gè)由標(biāo)記點(diǎn)形成的所有局部圖像模式組成的集合 $\mathbb{C}$。根據(jù)停車位的特征，將集合 $\mathbb{C}$ 中的樣本分為7類，如右圖所示：逆時(shí)針直角，逆時(shí)針傾斜（銳角），逆時(shí)針傾斜（鈍角），順時(shí)針直角，順時(shí)針傾斜(鈍角)，順時(shí)針傾斜(銳角)，無效。

在構(gòu)造集合 $\mathbb{C}$時(shí)，還有一個(gè)實(shí)際問題，類不平衡，這意味著一個(gè)特定的類相對(duì)于其它類只有很少的實(shí)例。為了解決這個(gè)問題，作者采用了SMOTE對(duì)少數(shù)類別進(jìn)行了過度采樣。

作者設(shè)計(jì)的分類模型如下圖所示，右邊是模型參數(shù)。

---

C. Parking-Slot Inference

在自動(dòng)泊車系統(tǒng)中，停車位通常被認(rèn)為是一個(gè)平行四邊形，由其四個(gè)頂點(diǎn)的坐標(biāo)表示。在大多數(shù)情況下，兩個(gè)非標(biāo)記點(diǎn)是不可見的，其坐標(biāo)只能通過推理得到。為此，需要假設(shè)停車位的深度是已知的先驗(yàn)知識(shí)。如下圖(a)、(b)、( c )所示，垂直、平行和傾斜的停車位的深度分別為 $d_1、d_2、d_3$。

• 假設(shè) ${\mathbf{p}}_1$ 和 ${\mathbf{p}}_2$ 是兩個(gè)檢測(cè)到的標(biāo)記點(diǎn)，形成的局部圖像模式分為順時(shí)針直角或逆時(shí)針直角，則可以很容易地計(jì)算出兩個(gè)非標(biāo)記點(diǎn) ${\mathbf{p}}_3$ 和 ${\mathbf{p}}_4$ 的坐標(biāo)。例如，在上圖(a)中，標(biāo)記點(diǎn)形成的局部圖像模式是順時(shí)針直角并且此停車位應(yīng)為垂直停車位，其深度為 $d_1$。因此，其另外兩個(gè)標(biāo)記點(diǎn) ${\mathbf{p}}_3$ 和 ${\mathbf{p}}_4$ 可表示為：
  $$\begin{array}{l}{\mathbf{p}}_3=\left[\begin{array}{cc}\cos \frac{\pi }{2}& \sin \frac{\pi }{2}\\ ?\sin \frac{\pi }{2}& \cos \frac{\pi }{2}\end{array}\right]\frac{{\mathbf{p}}_1{\mathbf{p}}_2}{\Vert {\mathbf{p}}_1{\mathbf{p}}_2\Vert }?d_1+{\mathbf{p}}_2\\ {\mathbf{p}}_4=\left[\begin{array}{cc}\cos \frac{\pi }{2}& \sin \frac{\pi }{2}\\ ?\sin \frac{\pi }{2}& \cos \frac{\pi }{2}\end{array}\right]\frac{{\mathbf{p}}_1{\mathbf{p}}_2}{\Vert {\mathbf{p}}_1{\mathbf{p}}_2\Vert }?d_1+{\mathbf{p}}_1\end{array}$$
• 當(dāng)由兩個(gè)標(biāo)記點(diǎn)形成的局部圖像模式被分類為傾斜時(shí)，如上圖( c )所示。在圖( c )中，標(biāo)記點(diǎn)形成的局部圖像模式被分類為逆時(shí)針傾斜(銳角)；為了估計(jì)兩個(gè)非標(biāo)記點(diǎn)的位置，需要估計(jì)角度 $\alpha$。為了解決這個(gè)問題，采用基于模板匹配的策略。圖(d)中所示的是一套理想的T形模板 $\{{\mathbf{T}}_{{\theta }_j}{\}}_{j=1}^M$，$M$ 是模板數(shù)量。每個(gè)模板的大小為 $s\times s$。測(cè)試時(shí)，提取兩個(gè)標(biāo)記點(diǎn)的圖像進(jìn)行匹配，則角度 $\alpha$ 為：
  $$\alpha =\underset{{\theta }_j}{\mathrm{argmax}}\left\{{\mathbf{I}}_1?{\mathbf{T}}_{{\theta }_j}+{\mathbf{I}}_2?{\mathbf{T}}_{{\theta }_j}\right\},j=1,\dots ,M$$
  則其余兩個(gè)標(biāo)記點(diǎn)計(jì)算為：
  $$\begin{array}{l}{\mathbf{p}}_3=\left[\begin{array}{cc}\cos \alpha & ?\sin \alpha \\ \sin \alpha & \cos \alpha \end{array}\right]\frac{{\mathbf{p}}_1{\mathbf{p}}_2}{\Vert {\mathbf{p}}_1{\mathbf{p}}_2\Vert }?d_3+{\mathbf{p}}_2\\ {\mathbf{p}}_4=\left[\begin{array}{cc}\cos \alpha & ?\sin \alpha \\ \sin \alpha & \cos \alpha \end{array}\right]\frac{{\mathbf{p}}_1{\mathbf{p}}_2}{\Vert {\mathbf{p}}_1{\mathbf{p}}_2\Vert }?d_3+{\mathbf{p}}_1\end{array}$$

最終，DeepPS的訓(xùn)練和測(cè)試工作流程如下：

---

3. Experimental Results

A. Benchmark Dataset & Settings

首先介紹數(shù)據(jù)集：每張環(huán)視圖的分辨率為600×600，對(duì)應(yīng)于一個(gè)10m×10m的區(qū)域，即環(huán)視圖上1個(gè)像素的長(zhǎng)度對(duì)應(yīng)于物理地面上1.67cm長(zhǎng)度。通過離線標(biāo)定，可以得到從環(huán)視圖坐標(biāo)系到以車輛為中心的世界坐標(biāo)系的變換矩陣。因此，當(dāng)在環(huán)視圖上檢測(cè)到停車位時(shí)，可以反投影確定其在世界坐標(biāo)系中的坐標(biāo)。

表3和4是 ps1.0，ps2.0 數(shù)據(jù)集的比較與測(cè)試集數(shù)據(jù)采樣分布，表5是超參數(shù)設(shè)置。

---

B. Marking-Point Detection & Local Image Pattern Classification

下面介紹標(biāo)記點(diǎn)檢測(cè)，對(duì)于標(biāo)記點(diǎn)真值 ${\mathbf{g}}_i$，如果一個(gè)檢測(cè)到的標(biāo)記點(diǎn) ${\mathbf{d}}_i$ 滿足 $\Vert {\mathbf{g}}_i?{\mathbf{d}}_i\Vert <{\delta }_2$，則認(rèn)為 ${\mathbf{g}}_i$ 是正確檢測(cè)的。為了比較不同的檢測(cè)器，我們通過改變檢測(cè)置信度的閾值，畫出log-log圖繪制漏檢率與每張圖片的誤報(bào)率。

然后是定位誤差，用 ${\mathbf{g}}_i$ 表示真值，${\mathbf{g}}_i^{{}^{\prime }}$ 表示檢測(cè)到的標(biāo)記點(diǎn)（真陽性）。用 $e_i=\Vert {\mathbf{g}}_i^{\prime }?{\mathbf{g}}_i\Vert$ 表示定位誤差，這里使用平均定位誤差作為定位誤差。漏檢率與誤報(bào)率、定位誤差、檢測(cè)時(shí)間比較、局部圖案分類結(jié)果如下表：

---

C.Parking-Slot Detection

作者與其它幾種停車位檢測(cè)算法進(jìn)行了比較，結(jié)果如下：

總結(jié)

以上是生活随笔為你收集整理的详解停车位检测算法 Vision-Based Parking-Slot Detection: A DCNN-Based Approach and a Large-Scale Benchmark的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。