基于卷积神经网络的自动停车位检测
计算机视觉与模式识别
2021-06-15 v1
摘要
如今寻找停车位已成为一个不容忽视的问题，它消耗时间与精力。我们利用计算机视觉技术，根据从威特沃特斯兰德大学收集的数据来推断停车场的状况。本文提出一种基于卷积神经网络（CNN）并使用 Caffe 与 Nvidia DiGITS 框架的实时停车位分类方法。训练过程通过 DiGITS 完成，输出为一个 caffemodel，用于预测以检测空置与占用车位。系统检查定义区域中某个停车位（在系统初始化时定义的边界框）是否包含车辆（占用或空置）。那些边界框坐标从停车场视频的一帧中以 JSON 格式保存，供系统后续对每个停车位进行序列预测使用。系统采用 LeNet 网络配合 Nesterov 加速梯度作为求解器，以及 AlexNet 网络配合随机梯度下降作为求解器进行训练。我们在验证集上对上述两个网络均获得了 99% 的准确率。在外部数据集（PKLot）上的准确率同样返回 99%。这些基于训练集的实验结果表明，当预测需在另一停车场进行时，系统具有怎样的鲁棒性。
引用
@article{arxiv.2106.07228,
title = {Automated Parking Space Detection Using Convolutional Neural Networks},
author = {Julien Nyambal and Richard Klein},
journal= {arXiv preprint arXiv:2106.07228},
year = {2021}
}