(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210427410.9 (22)申请日 2022.04.21 (71)申请人 南京信息 工程大学 地址 210044 江苏省南京市浦口区宁六路 219号 (72)发明人 汪铭　张自嘉　巩大康　仝岩青　 周雪　刘奇　彭子文　李材祥　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 专利代理师 沈利芳 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 20/70(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于GhostNet的轻量 化空车位识别算法 (57)摘要 本发明公开了基于GhostNet的轻量化空车 位识别算法， 涉及 目标检测识别技术领域， 基于 已有的车位数据集， 在已有的车位数据集上加上 实地采集图片， 构建 空车位检测数据集， 并标注， 标注类型主要分为两类空车位以及车位角点； 将 Ghost Net作为主干特征提取网络； 使用Ghost   Net输出两个尺度的有效特征层， 构建加强特征 提取网络， 并嵌入SPPF以及注意力模块； 使用解 耦头对有效特征层进行回归预测， 从而生成模 型； 在基于Gho stNet的轻量化空车位识别模型构 建完成后， 首先检测空车位， 根据生成的用于泊 车车位角点进行下一步的路径 规划， 并根据泊车 车位角点之间的距离判断车位的类型。 权利要求书1页 说明书5页 附图2页 CN 114724112 A 2022.07.08 CN 114724112 A 1.基于GhostNet的轻量 化空车位识别算法， 其特 征在于， 方法包括以下步骤： 步骤一： 基于已有的车位数据集， 在已有的车位数据集上加上实地采集图片， 构建空车 位检测数据集， 通过label ing进行标注， 标注类型主 要分为两类空车位以及车位角点； 步骤二： 构建 GhostNet轻量级网络， 并将GhostNet作为主干特 征提取网络； 步骤三： 使用GhostNet输出的13 ×13、 26×26两个尺度的有效特征层， 构建加强特征提 取网络， 并嵌入S PPF以及注意力模块； 步骤四： 使用Decoupled  Head对有效特征层进行回归预测， 从而生成基于GhostNet的 轻量化空车位识别模型； 步骤五： 在基于GhostNet的轻量化空车位识别 模型构建完成后， 首先检测空车位， 对空 车位内的检测到的车位角点连线作为一对用于泊车车位角点， 根据生成的用于泊车车位角 点进行下一步的路径规划， 并根据泊车 车位角点之间的距离判断车位的类型。 2.根据权利 要求1所述的基于GhostNet的轻量化空车位识别算法， 其特征在于， 所述空 车位检测数据集的构建过程如下： 搜集图像建立数据集， 主要为空车位图片以及车位角图 片， 使用开源软件label Img对图片进行 标准， 分为两个 类： parking， hore。 3.根据权利 要求1所述的基于GhostNet的轻量化空车位识别算法， 其特征在于， 所述主 干特征提取网络的构建过程为： 设定输入的图片尺寸为a， a， z， 首先使用步长为2的Ghost   Module1进行下采样， 获取语义信息， 输出图片尺寸为a/2， a/2， 2z， 接着引出一条残差边， 经 过注意力机制senet加权后直接连接到最后， 主干部分会经过步长为1 的Ghost Module2进 行特征的进一步提取， 并将提取结果加上残差边， 最 终输出的特征图尺 寸为a/2， a/2， 2z， 构 建了基于Ghost  Module的残差结构Ghost  Residual。 4.根据权利 要求1所述的基于GhostNet的轻量化空车位识别算法， 其特征在于， 所述加 强特征提取网络的构建过程为使用GhostNet输出的26 ×26以及13 ×13这两个尺度的有效 特征层构建加强特征提取网络， 首先13 ×13的有效特征经过由最大池化构成的SPPF结构， 池化核的大小为5 ×5， SPPF结构能够极大地增加感受野， 分离出最显著的上下文特征； 13 × 13的特征层经过上采样与26 ×26的特征层进行特征的融叠， 再经过一次步长为2的最大池 化进行下采样， 其间加入swish激活函数， 通过反复提取特征， 同时加入SENet注意力模块， 抑制不太重要的特 征信息。 5.根据权利 要求4所述的基于GhostNet的轻量化空车位识别算法， 其特征在于， 所述感 受野为卷积神经网络每一层输出的特 征图上的像素点在输入图片上映射的区域大小。 6.根据权利要求1所述的基于GhostNet的轻量化空车位识别算法， 其特征在于， 所述 Decoupled  Head为加强特征提取网络输出的两个有 效特征层传入Decoupled  Head中进行 回归与预测， 对于每一个特征层， 分别使用不同的卷积层获得通道分别为#anchor ×4， # anchor×1， #anchor ×20的三个预测结果， #anchor ×4用于调整预测框的大小位置， # anchor×1用于判断是否包含物体， #anchor ×20用于分类， 判断包含的物体的种类， 将这三 个预测结果进行堆叠， 最终结果 为： (H,W,#anc hor×4+#anchor×1+#anchor×C)。权　利　要　求　书 1/1 页 2 CN 114724112 A 2基于GhostN et的轻量化空车位识别算法 技术领域 [0001]本发明涉及目标检测识别技术领域， 具体的是基于GhostNet的轻量化 空车位识别 算法。 背景技术 [0002]随着国民经济的稳健增长和汽车工业的持续发展使得我国汽车保有量急剧增长， 截止2021年9月， 我国小 型汽车保有量达到3.9亿辆； 人工智能技术的蓬勃发展， 也使 得无人 驾驶技术的研究在汽车行业快速兴起， 其中， 自动泊车辅助系统作为无人驾驶的重要一环 也成为了研究的热门， 车位识别作为自动泊车系统中的重要的感知环节， 其准确 性和快速 性对后续车辆泊车路径规划与控制至关重要； 目前已有的空闲车位识别技术可以分为基于 用户界面、 基于基础设施、 基于自由空间以及基于停车位标识线的停车位检测与定位方法， 随着机器视觉的发展， 基于停车位标识线的方法成为研究热点， Jung[1]等人在Hough空间中 应用峰值检测和聚类检测停车位， 通过T 形模板匹配识别出分离的停车位标识线， 文献使用 Line Segment Detector检测识别车位线， 这些基于直线、 角点的低层视觉的检测方法难以 满足实时性要求， 且泛化性、 鲁棒性都比较低， 为此， 现在提出基于GhostNet的轻量化空车 位识别算法； 以自动泊车系统所要求的运算资源成本低且实时性要求高为出发点， 提出一 种以Ghost  Module为核心构造的GhostNet轻量级目标检测网络， 为模型在嵌入式车载移动 终端上的部署和应用提供 条件。 发明内容 [0003]为解决上述背景技术中提到的不足， 本发明的目的在 于提供基于GhostNet的轻量 化空车位识别算法。 [0004]本发明的目的可以通过以下技术方案 实现： 基于GhostNet的轻量化 空车位识别算 法， 方法包括以下步骤： [0005]步骤一： 基于已有的车位数据集， 在已有的车位数据集上加上实地采集图片， 构建 空车位检测数据集， 通过label ing进行标注， 标注类型主 要分为两类空车位以及车位角点； [0006]需要进一步进行说 明的是， 在具体实施过程中， labeling为一种数据标注工具， 能 够起到对数据进行 标记的作用。 [0007]步骤二： 构建GhostNet 轻量级网络， 并将GhostNet作为主干特征提取网络； 需要进 一步进行说明的是， 在具体实施过程中， 这样设计和构建的好处是减少模型 的参数与计算 量， 提高模型的运行速度； [0008]步骤三： 使用GhostNet输出的13 ×13、 26×26两个尺度的有效特征层， 构建加强特 征提取网络， 并嵌入SPPF以及注意力模块； 需要进一步进行说明的是， 在具体实施过程中， 这样设计的好吃是用于提高检测精度； [0009]步骤四： 使用Decoupled  Head对有效特征层进行回归预测， 从而生成基于 GhostNet的轻量化空车位识别模 型； 需要进一步进行说明的是， 在具体实施过程中， 这样设说　明　书 1/5 页 3 CN 114724112 A 3