1.参考
论文地址：Vacant Parking Slot Detection in the Around View Image Based on Deep Learning
2.摘要
带有独立全景监视器（AVM）的泊车辅助系统（PAS）。该论文是一种基于环视全景拼接图像实现车位检测的算法。将该车位检测任务分为两阶段的任务，车位角点检测与车位占用分类。命名为VPS-Net，其中车位角点检测通过Yolo-v3（其实这个也可以采用其他的目标车位算法），然后在占用分类阶段，通过设计我们设计了一个定制的网络，其卷积核的大小和层数根据停车位的特点进行调整。
实验结果：VPS-net，在ps2.0数据集中的准确率为99.63%，召回率为99.31%，在PSV数据集中具有令人满意的泛化能力。
3.介绍
背景：有百分之50的拥堵来源于找停车位，有百分之23的交通事故在停车的时候发生。
泊车辅助系统：它由三个部分组成，目标位置指定、路径规划和停车引导或路径跟踪。
贡献：
（1）提出一种新的基于环视相机的车位检测算法，VPS-Net；
（2）yolov3检测车位检测，结合车位占用分类
（3）定制的DCNN，精度高、帧率也高、参数更少。
4.相关工作
4.1 基于环视相机的空车位检测
（1）基于线的检测：Sobel filter and probabilistic Hough transform、Randon transform、Directional-DBSCAN、the decision-tree classifier。受光线影响较大
（2）基于关键点的检测：Harris corner detector、PSD_L、DCNN-based approach called DeepPS、YOLO-v2、VPS-net
（3）基于分割的方法：classify vehicles, free space, markings of the parking slot, and other objects.VH-stage for better segmenting lines of the parking slot。耗时不准确
4.2 车位占用分类
（1）USS判断车位是否占用，该方法目前多传感器融合中还在用。
（2）视觉方法：HOG、SVM、LBP（Local Binary Pattern ），二分类任务。
5. 提出的方法
车位检测分为：垂直车位检测、水平车位检测、斜列车位检测。车位由四个角点、两个红色的入口点与两个黄色的非入口点。
输入：环视相机拼接图像；
网络结构：YOLO-v3检测器
输出：一组车位角点、车位方向、车位类型、占用情况
其中占用分类网络的结构：
训练优化参数，入口点中点、车位长度与宽度，就是在优化四个车位角度坐标。
非入口点计算：
6. 实验
（1）数据
（2）车位角点检测性能
（3）车位占用分类性能
（4）总体性能
7.讨论
图像质量不好的时候，VPS-Net性能也不能保证。
8. 结论
VPS-Net能够稳健地检测各种空闲停车位，准确率为99.63%，召回率为99.31%，并准确定位停车位的两个可见配对标记点，定位误差为1.03±0.64像素。此外，通过在PSV数据集中的测试，VPS-Net具有令人满意的泛化性能。
标签：Slot,Based,Around,VPS,检测,占用,角点,Net,车位 From： https://blog.csdn.net/qq_35975447/article/details/142620606