1、 传感器与微系统（）年第卷第期：（）基于改进卷积神经网络的车位角检测算法研究张宝军，王钊璇，李孰非（西安邮电大学电子工程学院，陕西西安）摘要：针对自动泊车系统从视频中提取到的每帧图片用传统的算法检测目标时，会出现小目标检测效果不理想的问题，提出一种基于改进网络模型的车位角检测算法。改进后的模型将层、层与原本提取小目标特征的层进行特征融合，形成新的输出特征层，并删减掉原网络模型中检测大目标和中等目标的层和层。实验结果表明：与、和经典模型相比，改进后的模型在不同环境下对型和型车位角的检测准确率、召回率和均有提高，可以满足泊车实时检测的要求。关键词：；特征融合；车位角；目标检测；卷积神经网络中图分类
2、号：；文献标识码：文章编号：（），（，）：，（），：（）；（）引言自动泊车技术中的车位检测已经得到了广泛的研究，基于深度学习的车位检测可以分为两类：基于车位线检测和基于车位角检测。车位线检测在某些车位标识存在缺陷时，会导致车位检测的精确性降低，使传统算法泛化能力变弱，同时实时性方面也存在不足。因此，如何利用深度学习等新兴技术实现车位标识检测成为研究热点。文献 采用方法检测停车位，虽然提高了检测速度，但它仅限于检测并联停车位或垂直停车位。文献采用 模型检测停车位，解决了阴影、光照不均环境下的车位检测问题，但在车位标识损坏、不清晰等情况下无法检测。基于角点检测的思路，文献提出分层树模型，即自下而上
3、和自上而下种模式检测车位角点，但难以满足实时性要求。依据车载系统的局限性，以及自动泊车对车位检测准确性和实时性的要求，（）模型在检测精度和速度方面综合性能较好，但存在对小目标检测敏感的问题。虽然泊车时的速度相对较低，但对于检测算法的实时性也有着相当高的要求，因而算法的优化加速也尤为重要。针对经典模型在车位检测中对小目标不理想的问题，本文提出改进车位角检测算法。首先，对模型中骨干网络进行特征融合；然后，对输出特征层进行适当删减；最后，采用迁移学习思想进行实验验证。收稿日期：基金项目：陕西省国际科技合作计划项目（）第期张宝军，等：基于改进卷积神经网络的车位角检测算法研究基本原理经典算法对提取的个不
4、同维度的特征图分别进行分类和预测，其中，网络中的卷积层是用于目标检测的第一个输出特征图，从后面网络中提取出的卷积层，作为检测所用的其他特征层。图为现有网络体系结构。VGG-16检测非极大值抑制图 网络结构改进模型车位角检测 特征融合首先，将模型中不同尺寸特征层的图像进行选择性输出，引入特征层和特征层，二者的分辨率分别为 和，前者相比后者特征图分辨率更大，提取的特征更注重保留图像的边缘、纹理等细节信息，有利于车位角的检测。而层的有效接受域较大，引入的背景噪声很少，具有较强的感受野，因此，将中的层、层与原本提取小目标特征的层进行特征融合，形成更具有丰富特征信息的浅层卷积特征层，增强对车位细节特征的
5、描述能力，提高了小目标的检测率，同时，将它作为第一层特征输出用于后续的目标检测环节。本文采用通道融合的方法，如图所示。7575256Conv3_333 卷积核3838512Conv3_31919512Conv5_3上采样3838512Conv5_33838512Conv4_3融合3838512N_Conv4_3图 融合流程 考虑到特征图缩放时间方面的可行性和变化后质量的可用性，本文采用双线性插值（）的方法对特征图进行转换，然后进行批归一化（，）处理来增强网络的鲁棒性，层图像的分辨率为 ，层图像的分辨率为 ，由式（）得层与层图像像素点的对应关系为（）（）（）（）0（）设（，）为待求像素点的坐标，
6、为相邻像素点坐标，则（，）（，），（，）（，），（，）（，），（，）（，）。根据式（），先在，方向上分别对点，和，各进行一次线性插值，求出点的值（）和点的值（）（）（）（），（，）（）（）（），（，0）（）再根据式（），在方向上对，进行一次线性插值，求出目标点（，）的值（）（）（）（）（）最后，通过式（）以通道融合方式对 层、层和层进行融合 （）（）式中 为各层的通道数；为卷积核参数；为层提取的特征图；为层提取的特征图；为层提取的特征图；为新的低层卷积特征图。算法改进经典模型是密集采样，使用，和六层特征图检测不同大小的目标，六层特征图大小分别是，。每个特征图中有 个中心点，每层特征图的中心点产
7、生个默认框，分别是，所以，共有 个边界框，随后将所有尺度预测值进行合并，最后使用非极大值抑制得到边界框的最优解。车位角相对于整张图片是小型目标，直接使用经典模型中设定好的默认框宽高比会导致检测结果较低。卷积神经网络的浅层网络能够提供更多车位角的细节信息，属于细节化特征，所以车位角检测主要依赖于浅层。随着卷积层的增加，特征图的感受野更大，待检测目标经过多次卷积和池化操作后会丢失一些细节信息，经典模型使用的和主要用于检测整张图片或检测占图比大于等于的目标，因此，本文将从经典网络体系结构中删除和检测部分，仅通过前个特征图，、和进行小目标检测，最终针对车位角检测的网络结构如图所示。改进后的网络模型，共
8、提取层特征图，不同特征传 感 器 与 微 系 统第卷Conv1Conv2Conv3_3VGGConv4_3Conv5_3N_Conv4_3Conv7Conv8_2Conv9_2检测非极大值抑制图 改进流程图设置的先验框数目不同，先验框的设置包括尺度和长宽比个方面。尺度的设置随着特征图大小降低，先验框尺度线性增加，可用式（）表示（）（），（）式中 为特征图个数，因为层单独设置，故；为先验框占图片的比例，和为比例的最大值和最小值，且取值范围为 。按照式（）可分别计算出先验框的宽度与高度槡，槡（）式中 为先验框实际尺度；为先验框宽高比例，默认情况下，每个特征图会有一个且尺度为的先验框。预测边界框是基
9、于先验框的，因此，改进后的共预测个边界框，然后，在层特征图上执行目标检测，并对检测结果进行滤波以获得最终的结果。本文改进后的网络结构如图所示。30030064150150128Conv1Conv2Conv3_3Conv4_3Conv5_37575256383851219195123003003VGGN_Conv4_3383851219191?024Conv7Conv8_2Conv9_21010512552563325611256Conv10_2Conv11_2DEL检测非极大值抑制3003003图改进后的网络结构 利用迁移学习思想改进后的模型需要用大量标注好的数据去验证模型的有效性，而迁移学习
10、可以建立精确的模型并且在减少数据量方面起到非常大的作用。因此本文采用迁移学习思想，在实验验证时先通过在大量基准数据集上训练模型，并根据参数迁移的方法，在预训练模型基础上进行再训练，在己经学习到的车位角特征基础上进行特征再学习，将预训练权重作为初始权重开始训练，这样使训练耗时更短。分析与讨论数据集与网络训练本文采用 等人建立的 数据集进行训练与测试，它是基于视觉停车位检测领域的公用数据集。从室内和室外共收集 个环视车位图像，其中包含不同天气状况、不同光照强度和种典型的停车标识类型。本文用工具重新手动标记数据集中车位角的位置，最终标注成 文件。标记的目标包括型车位角和型车位角，图像中车位角的位置信
11、息以矩形标记，如图所示。实验使用代码，网络训练部分基于 框架实现所提出的方法，基于迁移学习思想让训练好的网络权重在 系统，中央处理器为主频 的，为 配置下实现对样本图的检测，得到种角点识别精确率和召回率。(a)?直角车位环绕(b)?斜角车位环绕图车位标注示意 整个训练过程分为个阶段，冻结训练可以加快训练速度，也可以在训练初期防止权值被破坏。冻结前次迭代训练，学习率的初始值为，批量尺寸为。随着迭代次数的增加，后次迭代训练正常，学习率会变为，批量尺寸为，总迭代次数设置为。当模型的测试集损失值多次趋于稳定时，表示模型基本收敛，自动结束训练。本文基于模型对车位角点进行检测，其中角点类型分为型角点（图（
12、）与型角点（图（），共种目标类型。(a)?T 型车位角(b)?L 型车位角图车位角类型实验评估指标本文使用均值平均精度（，）、帧率（，）和综合评价指标（）作为模型的评价指标。平均精度（，）表示模型对型车位角或型车位角检测的好坏程度；表示模型对车位角所有类型检测的平均好坏程度，值越大说明搭建的模型对车位角检测效果越好；用来衡量算法的实时性。消融实验本文对整体模型拆分后进行了消融实验。将构成模型的两部分分别从整体网络结构中剥离出来，将改进前、后的模型测试结果进行对比，如表所示。为原模型，为仅对进行特征融合，第期张宝军，等：基于改进卷积神经网络的车位角检测算法研究为将原模型的层特征图变为层特征图，为
13、本文改进后模型。表相同数据集下的消融实验结果结构精度 频率 时间 消融实验结果显示：本文改进后模型，相比于，帧率提高 ；相比于，准确率提高 。与原模型相比，帧率下降 ，准确率提高 ，并且检测一张图片的时间约 ，与原模型基本一致。通过消融实验证明：对网络进行特征图融合和删减网络输出特征层数量这两种方法有效性显著。实验结果分析本文将训练好的网络在多种复杂环境下进行检测，型角点检测结果用黑色矩形框表示，型角点检测结果用白色矩形框表示。结果显示改进后的模型能够准确检测出各种环境下的角点类型，检测结果如图所示。(a)?室内环境(b)?室外花纹地面(c)?室外晴天车位角被树影遮盖(d)?室外阴雨天气(e)
14、?灯光照射环境(f)?倾斜车位角图各种环境下车位角点检测效果 从表中可以看出，本文改进后模型比文献中模型、经典 模型和经典模型对车位角检测结果均略高，虽然文献算法在一张图检测时间上只需要 ，但是只有 。与此同时，改进后模型对型车位角和型车位角检测准确率、召回率结果如表所示，实验结果证明，该方法对两种车位角检测平均准确率为 ，平均召回率为 。表不同目标检测模型对比模型 时间 本文 表改进网络后的识别准确率类型准确率召回率 平均 从表中可以看出，与经典方法相比，改进后的模型检测型车位角的准确率提高 ，召回率提高 ，提高；型车位角的准确率提高 ，召回率提高 ，趋于稳定。综合结果显示，改进后的模型更适
15、合安装在存储空间有限的车载系统中。表改进后模型和经典模型性能对比类型准确率 召回率准确率 召回率 本文 结论改进后的模型充分利用深层特征图和浅层特征图所包含的特征信息，增强特征对车位细节的描述能力，提高了小目标的检测率。同时减少输出特征图数量，降低参数量，保证特征融合后检测速度不受到太大的影响。因此，改进后的模型从特征图中提取的车位角信息更加丰富，更具代表性，在保证模型检测速度的同时提高检测准确率。参考文献：，：（），：，（）：，：（），：刘泽基于深度学习和的自动泊车车位视觉检测与定位系统设计镇江：江苏大学，（）：，：，：（下转第页）第期范圣龙，等：基于温度传感器的可穿戴呼吸检测装置研究测试和
16、集成封装时，传感器的位置需被着重考虑。通过与手动计数的标准方法进行对比分析，该系统对呼吸频率检测的均方根误差为，置信区间为，说明该方法与手动计数具有较好的一致性，检测结果准确可靠。针对呼吸过速的检测，表明该系统在保证准确性的前提下，可以达到次 左右的检测极限，可以满足绝大部分情况下的呼吸检测。另外，在不同呼吸状态下进行测试，其呼吸信号波形及幅度呈现出明显的差异特征，通过对不同特征的分类分析，可以实现呼吸状态的自动判断或预警，具有用于临床呼吸监护的应用前景。在后续研究中，需要对该系统进行集成封装，优化完善上位机软件，能够针对不同呼吸状态做出自动判断，同时针对患有呼吸系统疾病的人群进行大量临床测试，以验证该系统性能及用于呼吸监护的适用性。参考文献：，：，（）：，（）：，（）：刘光达，王宪忠，蔡靖，等基于胸阻抗法的穿戴式呼吸检测方法研究生物医学工程学杂志，（）：吴丹，徐效文，王磊，等穿戴式动态睡眠呼吸监测系统的设计传感技术学报，（）：曹育森，雷涛，李钊，等一种非接触式呼吸暂停检测与远程监护装置的设计中国医疗设备，（）：，李彬，谢翟，段渭军，等基于的非接触式呼吸检测系统传感器与微系统，（）：，
