买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于深度学习的车位及障碍物检测方法及其应用获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115546761B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211248240.4，技术领域涉及：G06V20/58；该发明授权一种基于深度学习的车位及障碍物检测方法及其应用是由张炳力;王焱辉;潘泽昊;王怿昕;杨程磊;王欣雨;张成标设计研发完成，并于2022-10-12向国家知识产权局提交的专利申请。

本一种基于深度学习的车位及障碍物检测方法及其应用在说明书摘要公布了：本发明公开了一种基于深度学习的车位及障碍物检测方法及其应用，该方法包括：1.在车辆相应位置安装鱼眼摄像头；2.对鱼眼摄像头进行环视拼接并进行标注，制作数据集；3.搭建神经网络结构，采用共用一个主干网络，经过特征提取网络后生成两个检测头的网络结构，分别对停车位和障碍物进行不同方式的回归；4.训练神经网络，得到最优损失下的权重，进行停车位识别。本发明避免了在采用检测框回归的方式同时检测停车位与障碍物的过程中无法拟合停车位的问题，从而保证了在准确拟合停车位的同时也能对障碍物进行有效检测识别。

本发明授权一种基于深度学习的车位及障碍物检测方法及其应用在权利要求书中公布了：1.一种基于深度学习的车位及障碍物检测方法，其特征在于，包括如下步骤： 步骤1、环视图像的拼接以及数据集的预处理： 步骤1.1、在车辆的前保险杠处、后车牌处、左、右后视镜的下端安装有鱼眼摄像头，用于获得各鱼眼摄像头所采集的图像，并分别进行去畸变矫正、透视变换后拼接为环视图像，再采用重叠区域羽化的方式对环视图像进行优化，得到优化后的环视拼接图像； 步骤1.2、按照步骤1.1的方式获取车辆在停车位附近行驶的环视拼接图像集，并对第i个环视拼接图像中的停车位进行标注，若第i个环视拼接图像中的停车位处于边缘处，则以边缘处的停车位角点作为原点，分别做出两个方向的射线箭头以形成停车位的“L”形的定向标记箭头；若是停车位处位于非边缘处，则以停车位的公共角点作为原点，做出三个方向的射线箭头以形成“T”形的定向标记箭头；从而得到第i个环视拼接图像中第n个停车位标注信息，包括：原点坐标定向标记箭头的形状类型以及定向标记箭头的旋转角度 对第i个环视拼接图像中的障碍物也进行标注，得到第i个环视拼接图像中第m个障碍物标注信息包括：障碍物的类别障碍物所在的包围框的中心点坐标宽度高度进而得到包含停车位、障碍物标注信息的标注后的环视拼接图像集U＝{u1，u2...，ui...，uI}∈RH×W×C，其中，ui表示第i个包含标注信息的环视拼接图像；H表示环视拼接图像的高度，W表示环视拼接图像的宽度，C表示环视拼接图像的通道数；I表示环视拼接图像总数；令ui的停车位标注信息记为Li，令ui的障碍物标注信息记为Hi； 步骤2、搭建基于深度学习的卷积神经网络，依次包括：主干网络模块、金字塔池化结构、特征预测模块、停车位检测模块Head1、障碍物检测模块Head2： 步骤2.1、所述主干网络模块由Q个下采样块与P个残差块构成，Q个下采样块分别为DSampleBlock1，...，DSampleBlockq，...，DSampleBlockQ；其中，DSampleBlockq表示第q级下采样块，q＝1,2...，Q； 所述第q级下采样块DSampleBlockq由第q级多层二维卷积层Dconv2Dq和第q级下采样层DSampleq组成；其中，所述第q级多层二维卷积层Dconv2Dq包括：X个二维卷积层，X个批量归一化层及X个LeakyReLU激活函数层，其中，第x个二维卷积层的卷积核大小为kx×kx； P个残差块分别为ResBlock1，...，ResBlockp，...，ResBlockP；其中，ResBlockp表示第p级残差块，p＝1,2...，P； 所述第p级残差块ResBlockp由r个多层二维卷积层Resconv2D组成，且第p级残差块ResBlockp中的第1个多层二维卷积Resconv2DP，1与第r个多层二维卷积Resconv2DP，r进行跳跃连接； 将所述标注后的环视拼接图像集U中的任意一张标注图像ui输入所述深度学习的卷积神经网络中，并依次经过主干网络的Q个下采样块与P个残差块处理后，得到特征图DResulti∈RH×W×C′；C′表示经过主干网络处理后的特征图DResulti的通道数； 步骤2.2、将特征图DResulti输入所述金字塔池化结构中，先分别进行3次最大池化操作后得到第一池化特征图MaxpoolDResulti，1、第二池化特征图MaxpoolDResulti，2、第三池化特征图MaxpoolDResulti，3，三个池化特征图与DResulti进行通道拼接后，输出金字塔池化特征图DSPPResulti∈RH×W×c″；C″表示金字塔池化特征图的通道数； 步骤2.3、所述特征预测模块由通道注意力机制单元SE以及支路1、支路2组成； 所述支路1由k个多层二维卷积层Neckconv2D1，...，Neckconv2Dk组成，其中，第k个多层二维卷积层Neckconv2Dk包括：Y个二维卷积层，Y个批量归一化层及Y个LeakyReLU激活函数层，其中，第y个二维卷积层的卷积核大小为ky×ky； 支路2是由一个残差模块NeckResblock和一个二维卷积层conv2D组成，且所述残差模块NeckResblock由l个多层二维卷积层NeckResconv2D1，...，NeckResconv2Dl组成，其中，第l层二维卷积层NeckResconv2Dl包括：Z个二维卷积层，Z个批量归一化层及Z个LeakyReLU激活函数层，其中，第z个二维卷积层的卷积核大小为k′z×k′z； 将金字塔池化特征图DSPPResulti输入特征预测模块，并由所述通道注意力机制单元SE先进行全局平均池化处理后得到维度为H，W，C″的平均池化特征图AavgDSPPResulti，再将平均池化特征图AavgDSPPResulti压缩成维度为1,1，C″的特征向量后，通过第一个全连接层FC1将特征向量的通道维度降为1,1，C″r，然后经过Swish激活函数的处理后再通过第二个全连接层FC2，将特征向量的维度上升回1,1，C″，最后经过sigmoid函数转化为一个0-1之间的归一化权重向量；将归一化权重向量和DSPPResulti逐通道相乘后，生成加权后的注意力机制特征图SEDSPPResulti∈RH×W×C"； 步骤2.4、将注意力机制特征图SEDSPPResulti输入支路1中进行卷积处理，得到含有停车位检测信息的特征图PslotResulti∈RH×W×C″′，C″′表示含有停车位检测信息的特征图的通道数； 将加权后的特征图SEDSPPResulti输入支路2中，并经过l次卷积处理得到特征图NeckResResultl，再将SEDSPPResulti与NeckResResultl进行跳跃拼接后得到特征图NeckConcatResulti，再对所述特征图NeckConcatResulti经过二维卷积层conv2D处理后得到含有障碍物检测信息的特征图DetectResulti∈RH×W×C，C″″表示含有障碍物检测信息的特征图的通道数； 将含有停车位检测信息的特征图PslotResulti输入停车位检测模块Head1中，得到预测的停车位信息其中，停车位信息中第n个定向标记箭头的信息为为第i张图片中第n个定向标记箭头的原点坐标的预测值，为第i张图片中第n个定向标记箭头的类别信息的预测值，当时为“L”型，当时为“T”型；分别为第i张图片中第n个定向标记箭头的余弦值与正弦值的预测值，为第i张图片中第n个定向标记箭头的置信度； 将含有障碍物检测信息的特征图DetectResulti输入障碍物检测模块Head2中进行拟合，最终得到预测的障碍物信息其中，障碍物信息中第m个障碍物包围框的信息为为第i张图片中第m个障碍物检测框中心坐标的预测值，为第i张图片中第m个障碍物检测框宽度与高度的预测值，为第i张图片中第m个检测框所检测到障碍物的类别信息； 步骤2.5、建立反向传播损失函数： 对定向标记箭头的信息进行均方差损失计算得到第一损失函数Loss1； 对障碍物检测框的定位信息进行均方差损失计算，并对进行二元交叉熵损失计算得到第二损失函数Loss2；从而计算总损失函数Losstotal＝Loss1+Loss2； 步骤3、将环视拼接图像集U输入基于深度学习的卷积神经网络中进行训练，并计算总体损失函数Losstotal，当训练迭代次数达到设定的次数时，训练停止，从而得到最优的车位及障碍物提取网络，用于自动泊车中对车位及障碍物进行识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。