CN108875911A - 一种泊车位检测方法 - Google Patents

Abstract

一种泊车位检测方法，包括：构建大规模、带标注的、面向泊车位感知问题的环视图像数据集；采用基于深度学习的目标检测框架YOLOv2框架加以改进来完成泊车位控制点检测；将检测到的控制点两两配对形成点对组合，判断其距离约束进行初步筛选后，以基于深度卷积神经网络的分类模型的浅层模型AlexNet为基础，设计自定义模型对满足距离约束的泊车位控制点点对进行分类，通过判断泊车位的类型以及入口线方向完成泊车位推断。本发明是无人驾驶中自主泊车***的重要组成部分，可以仅通过车身四周的摄像头检测出泊车位的位置，为自主泊车提供技术支撑。本发明不仅检测精度高，而且响应速度快、稳定可靠。

Description

一种泊车位检测方法

技术领域

本发明属于计算机视觉与智能驾驶的辅助泊车领域，涉及泊车位检测方法，尤其是基于深度学习技术的泊车位检测方法。

背景技术

随着现代人类对自动化、便捷化生活的追求，各行各业都朝着自动化、智能化的方向发展。汽车作为人们主要的交通工具，具有极其广阔的市场，其自动化以及智能化也是当今学术界以及汽车工程界的一个重要课题。汽车产业提出了智能车的概念，力求实现汽车全自动化无人驾驶。其中，自主泊车***作为智能车领域的一项关键技术，也逐渐成为各大汽车厂商的一个热门研究方向。对于驾驶员来说，尤其是初学者，有限的泊车空间和狭窄的视场范围使停车入位成为了一个不小的挑战。

近年来，国内外很多企业和研究机构都在着力研发短程自主泊车***。典型的自主泊车***的工作流程大致如下。当车辆接近停车区域时，会切换到低速的无人驾驶模式，并自动沿着预定的轨道行驶。当在无人驾驶模式下工作时，车辆可能需要依靠高清地图、GPS信号或者SLAM(同步定位和构建地图)技术来进行实时定位。在行驶期间，车辆会搜索可用的泊车位，或者试图识别和定位由停车场管理***分配给它的泊车位。一旦检测到合适的泊车位，车辆将切换到自动泊车模式，规划泊车路径，最终将车辆停放在指定的位置。在这个***中，基于视觉的泊车位智能感知是自主泊车***中的关键部分。泊车位感知的目的是自动识别出地面划线所标识出的可用泊车位，并计算其在车辆坐标系下的空间位置，从而来为泊车路径规划提供目标位置。

基于检测泊车位地面标记的方法最早开始于Xu等人的工作(Xu et al.，Vision-guided automatic parking for smart car，2000)。他们采用了图像分割的方法，并训练了一个神经网络用于将泊车位标线分割出来，它的缺陷是无法判断泊车位类型。Jung等人提出了能够检测多种泊车位的双触式方法(Jung et al.，Uniform user interface forsemiautomatic parking slot marking recognition，2010)，但这类方法过于依赖人工的选定，不够智能，不是完全自动化的泊车位检测方法。Du和Tan提出了一种自反的泊车***(Du et al.，Autonomous reverse parking system based on robust path generationand improved sliding mode control，2015)，他们使用一个脊检测器，通过若干噪声滤波、去除组件的操作找出泊车位标记的中轴，但这种方法同样不够智能。目前实现完全自动化的检测方法有Jung等人提出的peak-pair的检测方法(Jung et al.，Parking slotmarkings recognition for automatic parking assist system，2006)，通过在霍夫空间聚类获得库位线的方程，然后依据方程分割出库位线找出“T”型的交点。Wang等人提出了相似的在Radon空间对库位线进行分割的方法(Wang et al.，Automatic parking based ona bird’s eye view vision system，2014)，但这两者都只适用于预设好的库位线宽度。Suhr和Jung的工作(Suhr et al.，Full-automatic recognition of various parkingslot markings using a hierarchical tree structure，2013)使用Harris角点检测器检测出角点，根据这些角点找出库位线的交点并判断出泊车位，这种方法的局限性在于依赖Harris角点检测的精确度，不够稳定。

发明内容

本发明的目的在于提供一种基于深度学习的泊车位检测方法，辅助自主泊车***，能在复杂的成像环境下对由地面标识线所划定的泊车位进行检测，该算法具有检测精度高、响应速度快、稳定可靠等优点。

为了达到上述目的，本发明的解决方案是：

一种基于深度学习的泊车位检测方法，包括：构建大规模、带标注的、面向泊车位感知问题的环视图像数据集；采用目标检测框架进行泊车位控制点检测。基于深度学习的目标检测框架有R-CNN，Fast R-CNN，Faster R-CNN，YOLO，SSD，YOLOv2。在本发明中，为了提高检测速度，采用YoloV2框架加以改进来完成泊车位控制点检测；将检测到的控制点两两配对形成点对组合，判断其距离约束进行初步筛选后，采用分类模型对其进行分类。基于深度卷积神经网络的分类模型有AlexNet，GoogleNet，ResNet，ShuffleNet。在本发明中，由于分类类别数只有7类，选用深层网络并不会明显提升准确率反而耗时较长，因此本发明以浅层模型AlexNet为基础，设计自定义模型对满足距离约束的泊车位控制点点对进行分类，通过判断泊车位的类型以及入口线方向完成泊车位推断。

一种泊车位检测方法，包括以下步骤：

S1、进行泊车位控制点检测；

S2、对泊车位入口线进行分类；

S3、进行泊车位推断。

进一步的，步骤S1中所述的泊车位控制点检测模型是由基于深度学习的YOLOv2目标检测框架实现，步骤S2中所述的泊车位入口线分类模型是由基于AlexNet的自定义深度卷积神经网络框架实现，步骤S1、S2都是端到端的过程，即只需要将待测图像输入训练所得模型，即可得到结果。

所述的泊车位控制点，即组成泊车位的“T型”或“L型”角点，在本发明中，一个泊车位包含两个泊车位控制点和两个不可见角点。

所述的泊车位入口线，是指汽车进入泊车位时经过的库位线，即为连接同一个泊车位的两个泊车位控制点的虚拟线段，在本发明中，泊车位入口线是有向的，其方向为由第一个泊车位控制点指向第二个。例如组成泊车位的控制点点对为(P1，P2)，则该泊车位的入口线方向由P1指向P2。

训练基于YOLOv2的泊车位控制点检测模型，其包含如下步骤：

S11、准备数据，采集一批环视泊车位图像构建训练数据集，同时对其进行人工标注；

S12、修改网络参数，归一化约束框尺寸；

S13、在步骤S11中的数据集上进行训练后，得到泊车位控制点检测模型。

考虑到样本的多样性，本发明采用等比例旋转的方法对数据进行扩充，对每张训练样本每隔15度进行一次旋转，使数据量扩充为原来的24倍。在进行数据集标注时，需要记录泊车位控制点的坐标和能够组成泊车位的控制点点对序号。

训练自定义的深度卷积神经网络的泊车位入口线分类模型，其包含如下步骤：

S21、准备数据，将步骤S11的训练数据集中所标注出的泊车位控制点分别进行两两配对，筛选出合法点对，进行邻域提取，得到7类数据样本构成数据集；

S22、设计自定义深度卷积神经网络的结构和相关参数；

S23、使用步骤S22中设计的深度神经网络框架，在步骤S21的数据集上进行训练后，得到泊车位入口线分类模型。

步骤S21中所述点对是有序的，即(P1，P2)和(P2，P1)是不同类别的样本。考虑到样本的不平衡的问题，即训练数据的类别分布不均，本发明采用SMOTE过采样的方法为数据量较少的类合成新样本。

所述筛选合法点对的依据是两个泊车位控制点间的距离。

所述邻域提取是指，沿着一对合法点对连线垂直的方向和平行的方向分别扩充△x和△y个像素后，提取出图像块，通过缩放旋转后使得图像块大小为48×192像素，并且点对的连线与水平面平行。当邻域超出了图像范围的时候，则舍弃这对点对不进行处理。

在对泊车位入口线分类后，按照以下方式推断出合理的泊车位：

S31、分类结果为直角泊车位时，根据先验知识给定泊车位的“深度”，推断出剩余两个未标注泊车位角点的位置，其中“深度”是指与泊车位入口线垂直的另一侧的长度；

S32、分类结果为斜向泊车位时，先使用高斯线检测器在倾斜方向的各个角度进行探测，找出卷积分数最高的方向确定倾斜角δ，再根据泊车位的“深度”推断出剩余两个角点。

数据集方面，包含各种复杂成像条件下含有泊车位的环视图像，其中，泊车位方向包括平行式泊车位、垂直式泊车位以及斜向泊车位；泊车位所处环境包含室内和室外两种，其中室外环境又包括多云、晴天、阴雨天、晴天有树阴遮挡、地面积水、路灯光照条件、强烈光照条件。

泊车位入口线分类模型中所述的7类分类结果分别为：(a)泊车位方向朝上的直角泊车位；(b)泊车位方向朝右上的斜向泊车位；(c)泊车位方向朝左上的斜向泊车位；(d)泊车位方向朝下的直角泊车位；(e)泊车位方向朝左下的斜向泊车位；(f)泊车位方向朝右下的斜向泊车位；(g)不构成泊车位。

所述的自定义深度卷积神经网络框架的输入图像大小为48×192像素，输出层有7个节点，分别对应该模型输出的7类分类结果。自定义深度卷积神经网络框架包括4个卷积层，3个最大池化层，2个归一化层和2个全连接层。

由于采用了上述技术方案，本发明具有以下有益效果：能够解决复杂成像条件下的泊车位检测问题，并且检测精度高，响应速度快、稳定可靠。

附图说明

图1(a)、图1(b)、图1(c)所示为本发明中所述的泊车位控制点、入口线和分隔线，分别在平行车位、垂直车位和斜向车位中的位置示意图，其中1为泊车位控制点，2为泊车位入口线，3为泊车位分隔线。

图2所示为本发明中所述的在环视图像中由两个泊车位控制点P₁和P₂所组成的泊车位入口线的局部图像块。

图3(a)、图3(b)、图3(c)、图3(d)、图3(e)、图3(f)、图3(g)所示分别为本发明中所述的7类泊车位入口线示意图。

图4所示为本发明中所述的基于AlexNet的自定义卷积神经网络分类模型的框架结构示意图。

图5(a)、图5(b)所示为本发明中所述的直角泊车位推断示意图。

图6(a)、图6(b)所示为本发明中所述的斜向泊车位推断示意图。

图7所示为本发明中所述的总体实施步骤示意图。

具体实施方式

以下结合附图所示实施例对本发明进一步加以说明。

本发明的泊车位检测方法是自主泊车***的重要组成部分，可以仅通过车身四周的摄像头检测出泊车位的位置信息，为决策规划层提供技术支撑。

本发明的设计可以同时满足检测垂直、平行和斜向车位的需要。在泊车位检测中，基于视觉的地面划线的泊车位最明显的特征即为泊车位控制点，图1(a)、图1(b)、图1(c)所示为各个类型的泊车位控制点、入口线和分隔线的示意图，由图可知，泊车位入口线是由一对泊车位控制点组成的。本发明通过检测“T”型或“L”型泊车位控制点，求得满足条件的泊车位入口线，再通过对其分类，确定入口线的方向，进行车位推断。本检测方法分为三个阶段，第一步，检测泊车位控制点，第二步，对检测到的泊车位控制点所组成的入口线进行分类，第三步，根据分类结果推断泊车位位置。具体过程为：

一、泊车位控制点检测

泊车位控制点，即组成泊车位的“T型”或“L型”角点，指的是以泊车位入口线和分隔线交叉点为中心的局部图块，如图1(a)、图1(b)、图1(c)所示，圆圈标记出了本发明中所述的泊车位控制点在泊车位中的位置。在本发明中，一个泊车位包含两个泊车位控制点和两个不可见角点。

数据集方面，以采集的环视图像数据来建立泊车位数据集。包含各种复杂成像条件下含有泊车位的环视图像，其中，泊车位方向包括平行式泊车位、垂直式泊车位以及斜向泊车位；泊车位所处环境包含室内和室外两种，其中室外环境又包括多云、晴天、阴雨天、晴天有树阴遮挡、地面积水、路灯光照条件、强烈光照条件。在本发明中，构成数据集的环视图像的分辨率为416×416像素。

本发明采用基于深度学习的YOLOv2目标检测框架来进行泊车位控制点检测。

在训练检测网络之前，需要准备训练样本，在构建的泊车位数据集上，手工标注出所有泊车位控制点的位置。对于每个控制点P_i，以P_i为中心的固定大小的p×p的正方形框被认为是P_i的ground-truth(正确的数据)。取数据集中五分之四的带标注的图像作为泊车位控制点检测模型的训练样本，剩余五分之一的图像作为测试集，用来测试评估模型的检测性能。

在泊车位检测中，经过训练的泊车位控制点检测模型需要具有旋转不变的特性。为了实现这一目标，本发明通过旋转每一个原始标注图像，生成一些旋转的样本来扩充训练集。具体地说，对于每一个原始的标注图像I，可以得到它的J个旋转样本每一个I_j由图像I旋转度产生。同样的，泊车位控制点的标注坐标也以同样的方式进行旋转。由此可知，如果标注了N张训练样本图像，则会有JN张图像样本来训练泊车位控制点检测模型。

网络参数设置方面，YOLOv2框架中预设好的约束框有5种大小，本发明中训练样本的ground-truth只有一种且是固定大小的，使用过多大小的约束框进行训练反而会导致误差过大而使模型收敛速度降低。因此本发明中，对YOLOv2的约束框种类和大小进行了修改，将约束框种类改为一种，对于训练样本大小为M×N像素的图像，预设长宽分别为和

完成上述工作后，离线进行模型训练，训练一个模型D来进行泊车位控制点检测。

在检测阶段，只需要将待测图像输入到训练所得的模型中，即可得到结果，输出检测到的泊车位控制点的位置坐标，这是一个端到端的过程。

二、泊车位入口线分类

通过泊车位控制点检测后，获得K个泊车位控制点，将它们两两进行组合配对。设P₁和P₂是其中两个被检测到的控制点所组成的一对点对，则需要验证P₁和P₂是否能够形成有效的泊车位入口线。表示从P₁指向P₂的有向线段，||P₁P₂||表示P₁和P₂之间的距离。

1、对于有效的泊车位入口线候选项，P₁和P₂之间的距离应该满足以下约束条件。

1-是一个平行泊车位的入口线候选项，它需要满足t₁<||P₁P₂||<t₂；

1-2是一个垂直或斜向泊车位的入口线候选项，它需要满足t₃<||P₁P₂||<t₄；

其中，t₁,t₂,t₃,t₄的大小是根据不同类型泊车位的入口线长度的先验知识设置的距离参数。

根据步骤1-1和1-2，初步筛选出满足约束条件的泊车位入口线候选项。

2、设是通过步骤1挑选出的泊车位入口线候选项，需要对其进行分类判断入口线方向和泊车位类型，具体过程为：

2-1对进行邻域提取。图2所示为在环视图像中由两个泊车位控制点P₁和P₂组成的泊车位入口线的局部图像块。据此建立一个局部坐标系，以P₁和P₂的中心为原点，以为x轴，与x轴垂直的y轴则能够唯一确定。在这个坐标系中，定义一个矩形区域R，它关于x轴和y轴都是对称的。对于区域R，其沿着x轴的边长设置为||P₁P₂||+Δx，其沿着y轴的边长为Δy。所述邻域提取即为提取区域R，从环视图像中提取区域R，对其进行变换使x轴平行于水平面，并对其大小进行归一化为w×h像素，优选方案为w＝48,h＝192。

2-2训练基于AlexNet的自定义深度卷积神经网络的泊车位入口线分类模型。

数据集方面，基于步骤一中的带标注的环视图像训练集，可以得到一个集合C，它包含了由两个泊车位控制点定义的所有邻域R，根据泊车位的类型将C分为7类，如图3(a)、图3(b)、图3(c)、图3(d)、图3(e)、图3(f)、图3(g)所示，这7类分别为：图3(a)泊车位方向朝上的直角泊车位；图3(b)泊车位方向朝右上的斜向泊车位；图3(c)泊车位方向朝左上的斜向泊车位；图3(d)泊车位方向朝下的直角泊车位；图3(e)泊车位方向朝左下的斜向泊车位；图3(f)泊车位方向朝右下的斜向泊车位；图3(g)不构成泊车位。在构建C时，为了解决类不平衡的问题，即有些特定类别的样本相对于其他的类别数量较少，本发明采用了SMOTE(Synthetic Minority Over-sampling Technique)的方法来对数量较少的类别进行过采样，增加其样本数量。本发明中，需要将训练样本的彩色图像转化至灰度图像。

在训练阶段，训练一个分类模型M来预测从环视图像中提取的邻域R的类别。对于分类模型M，本发明中采用基于AlexNet的自定义深度卷积神经网络框架实现，如图4所示为分类模型的框架结构，网络的输入是48×192的灰度图像，输出层有7个节点，分别对应所述7类邻域R。图4中conv表示一个卷积层，ReLU表示一个修正线性单元，max-pool表示一个最大池化层，LRN表示一个局部相应归一化层，FC表示一个全连接层，dropout表示一个丢弃层。对于每一层，除了ReLU、FC和dropout层外，所使用的参数如表1所示：

表1

对于LRN层，用表示在位置(x,y)，使用核(kernel)i进行计算后，经过激励

后的输出，那么经过LRN层后，归一化响应的下一层的输入为：

其中，在相同的空间位置上，N是该层的kernel的总数，n表示取以该kernel为中心的左右各n/2个kernel来求均值。

完成上述工作后，离线进行模型训练，得到泊车位入口线分类模型M。

在检测阶段，只需要将待测图像输入给训练所得的模型，即可输出分类结果，这是一个端到端的过程。

2-3对于步骤2-1中所述的邻域R，将其输入泊车位入口线模型M，得到的分类结果。

三、泊车位推断

在泊车位检测中，泊车位是一个平行四边形，由四个顶点的坐标表示。在本发明中，两个非标注控制点的角点是不在视场范围内的，它们只能通过推理得到。根据先验知识给定泊车位的深度(即分隔线的长度)，垂直、平行和斜向车位的深度分别为d₁,d₂,d₃。3-1P₁和P₂分别为两个被检测到的泊车位控制点，由P₁和P₂提取的邻域R被分类为直角泊车位，此时剩余两个非控制点的角点P₃和P₄可以很容易计算出来，如图5(a)所示，直角垂直车位位于的顺时针方向，有如下定义：

如图5(b)所示，直角平行车位位于的逆时针方向，有如下定义：

3-2P₁和P₂分别为两个被检测到的泊车位控制点，由P₁和P₂提取的邻域R被分类为斜向泊车位，此时剩余两个非控制点的角点P₃和P₄则还需要一个倾斜角δ才能计算出来，为了解决这个问题，本发明采用基于模板的高斯线检测器，使其在倾斜方向的各个角度进行探测，找出卷积分数最高的方向来确定δ的值。具体方法如下：

如图6(a)所示，离线准备一组理想的“T型”模板其中θ_j是模板j的两条直线的夹角，L是模板的总数。每个模板的大小为s×s，并对每个模板进行零均值化。在测试阶段，以P₁和P₂为中心分别提取s×s大小的图像块I₁和I₂，且I₁和I₂是关于对称的，那么泊车位倾斜角δ可以定义为：其中，*表示相关运算。

计算出倾斜角δ后，可以得到剩余两个非控制点的角点P₃和P₄。如图6(b)所示，向右倾斜的斜向车位位于的逆时针方向，有如下定义：

通过以上步骤，建立了一个完整的基于深度学习的泊车位检测方法，总体实施步骤如图7所示。

以下结合具体实验对本发明的有益效果进行说明：

实验设置：为了采集一定规模的环视泊车位数据，用于分析比较本发明所能达到的效果，在实验中，使用荣威E50电动汽车进行数据采集，总共采集了12165张环视图像，其中9827作为训练集，2338张作为测试集。实验在配有2.4GHZ Intel Xeon E5-2630V3CPU,Nvidia Titan X显卡和32GB RAM的工作站上运行，编程语言为C++。

实验一：泊车位控制点检测评价实验：

在本发明中，泊车位控制点检测是关键的一步。为了客观地评价本发明的检测性能，设置对比实验，在本发明构建的数据集上，实现了一些经典的目标检测算法。

参照的对照方法包括：P.A.Viola and M.J.Jones在2004年提出的方法“Robustreal-time face detection”，在实验中记做“VJ”；N.Dalal and B.Triggs在2005年提出的方法“Histogram of oriented gradients for human detection”，在实验中记做“HoG+SVM”；X.Wang,X.Han,and S.Yan在2009年提出的方法“An HOG-LBP human detector withpartial occlusion handling”，在实验中记做“HoG+LBP”；W.Schwarts,A.Kembhavi,D.Harwood,and L.Davis在2009年提出的方法“Human detection using partial leastsquares analysis”，在实验中记做“PLS”；C.Wojek and B.Schiele在2008年提出的“Aperformance evaluation of single and multifeature people detection”，在实验中记做“MultiFtr”；R.Benenson,M.Mathias,T.Tuytelaars,and L.Van Gool在2013年提出的“Seeking the strongest rigid detector”，在实验中记做“Roerei”；P.Dollar,C.Wojek,B.Schiele,and P.Perona在2012年提出的“Pedestrian detection:An evaluation ofthe state of the art”，在实验中记做“ACF+Boosting”。

评价依据是计算平均对数错失率(fppi)和定位误差，在表2中总结了各项对照方法与本发明中提出的方法在泊车位环视数据集上的实验结果。

表2

由表2可知，本发明所涉及的泊车位控制点检测方法，检测精度远远大于其他经典算法。

实验二：泊车位检测评价实验

为了检测本方法最终对车位的识别精度，采用以下评价指标：

在表3中总结了本发明中提出的基于深度学习的泊车位检测方法在测试集上的不同环境下的数据样本的表现情况。

表3

由实验结果可知，本发明提出的基于深度学习的泊车位检测方法在各种不同环境条件下，性能稳定，检测精度高。

在计算速度方面，本发明在2.4GHZ Intel Xeon E5-2630V3CPU,Nvidia Titan X显卡和32GB RAM的工作站上能达到43fps的效率。本发明在车载TX2平台上可以达到10fps的效率，同时能够兼顾检测率。本发明被证明能在实际场景下使用，在自主泊车领域是一个开创性的方法，可以作为对比基准方法。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种泊车位检测方法，其特征在于，包括以下步骤：

S1、采用目标检测框架进行泊车位控制点检测；

S2、采用分类模型对泊车位入口线进行分类；

S3、进行泊车位推断。

2.根据权利要求1所述的泊车位检测方法，其特征在于，包括：构建大规模、带标注的、面向泊车位感知问题的环视图像数据集；将检测到的控制点两两配对形成点对组合，对上述点对进行初步筛选后，采用基于深度卷积神经网络的自定义模型对其进行分类，通过判断泊车位的类型以及入口线方向完成泊车位推断。

3.根据权利要求1所述的泊车位检测方法，其特征在于，步骤S1所述的目标检测框架是基于深度学习的目标检测框架，包括R-CNN，Fast R-CNN，Faster R-CNN，YOLO，SSD，YOLOv2目标检测框架，优选Yolov2目标检测框架；

优选的，步骤S2所述的分类模型是基于深度卷积神经网络的分类模型，包括AlexNet，GoogleNet，ResNet，ShuffleNet，优选基于AlexNet的自定义深度卷积神经网络框架。

4.根据权利要求3所述的泊车位检测方法，其特征在于，训练基于YOLOv2的泊车位控制点检测模型，其包含如下步骤：

S11、准备数据，采集一批环视泊车位图像构建训练数据集，同时对其进行人工标注；

S12、修改网络参数，归一化约束框尺寸；

S13、在步骤S11中的数据集上进行训练后，得到泊车位控制点检测模型；

优选的，考虑到样本多样性，采用等比例旋转的方法对数据进行扩充，对每张训练样本每隔15度进行一次旋转，使数据量扩充为原来的24倍；

优选的，数据集标注时需要记录泊车位控制点的坐标和能够组成泊车位的控制点点对序号。

5.根据权利要求4所述的泊车位检测方法，其特征在于，训练自定义深度卷积神经网络的泊车位入口线分类模型，其包含如下步骤：

S21、准备数据，将步骤S11的训练数据集中所标注出的泊车位控制点分别进行两两配对，筛选出合法点对，进行邻域提取，得到7类数据样本构成数据集；

S22、设计自定义深度卷积神经网络结构和相关参数；

S23、使用步骤S22中设计的深度神经网络框架，在步骤S21的数据集上进行训练后，得到泊车位入口线分类模型；

优选的，步骤S21中所述点对是有序的，即(P1，P2)和(P2，P1)是不同类别的样本；

优选的，考虑到样本的不平衡的问题，即训练数据的类别分布不均，采用SMOTE过采样的方法为数据量较少的类合成新样本。

6.根据权利要求1所述的泊车位检测方法，其特征在于，在对泊车位入口线进行分类后，按照以下方式推断出合理的泊车位：

S31、分类结果为直角泊车位时，根据先验知识给定泊车位的“深度”，推断出剩余两个未标注泊车位角点的位置，其中“深度”是指与泊车位入口线垂直的另一侧的长度；

S32、分类结果为斜向泊车位时，先使用高斯线检测器在倾斜方向的各个角度进行探测，找出卷积分数最高的方向确定倾斜角δ，再根据泊车位的“深度”推断出剩余角点。

7.根据权利要求4所述的泊车位检测方法，其特征在于，所述的泊车位控制点检测模型，数据集方面，泊车位方向包括平行式泊车位、垂直式泊车位以及斜向泊车位；泊车位所处环境包含室内和室外两种，其中室外环境又包括多云、晴天、阴雨天、晴天有树阴遮挡、地面积水、路灯光照条件、强烈光照条件。

8.根据权利要求5所述的泊车位检测方法，其特征在于，所述的泊车位入口线分类模型，步骤S21中，所述筛选合法点对的依据是两个泊车位控制点间的距离；

优选的，步骤S21中，所述邻域提取是指，沿着一对合法点对连线垂直的方向和平行的方向分别扩充△x和△y个像素后，提取出图像块，通过缩放旋转后使得图像块大小为48×192像素，并且点对的连线与水平面平行；当邻域超出了图像范围的时候，则舍弃这对点对不进行处理。

9.根据权利要求5所述的泊车位检测方法，其特征在于，所述的泊车位入口线分类模型，所述的7类数据样本分别为：(a)泊车位方向朝上的直角泊车位；(b)泊车位方向朝右上的斜向泊车位；(c)泊车位方向朝左上的斜向泊车位；(d)泊车位方向朝下的直角泊车位；(e)泊车位方向朝左下的斜向泊车位；(f)泊车位方向朝右下的斜向泊车位；(g)不构成泊车位。

10.根据权利要求5所述的泊车位检测方法，其特征在于，所述的泊车位入口线分类模型，步骤S22中，所述的自定义深度卷积神经网络框架的输入图像大小为48×192像素，输出层有7个节点，分别对应权利要求7中所述的7类分类结果；

优选的，自定义深度卷积神经网络框架包括4个卷积层，3个最大池化层，2个归一化层和2个全连接层。