一种实时的道路空车位检测算法

道路空车位实时检测是解决城市停车难的一个关键环节，本文提出了一种改进的faster RCNN深度学习道路空车位检测方法。首先，利用K-means聚类算法对标注框进行聚类，以获得适合的空车位形状特征；然后，调整区域建议框网络(Regional proposals network)框架，以便网络提取更多的数据特征；最后，利用soft NMS算法提取可能包含目标的框。实验结果表明，建议的方法对道路空车位的检测结果较好,在采集的道路空车位检测数据集准确率达到95.3%，比只用faster RCNN方法提高了2个百分点。

随着汽车保有量的不断增加，为解决停车难问题，会将部分交通不太繁忙的城市道路旁和其它一些空旷区域划出车位以供停车。但由于没有这些车位是否空闲的信息，车主在寻找空车位时会花费许多时间。因此，如何快速准确地检测道路空车位，成为计算机视觉的一个研究热点。

道路可用空车位检测是智慧交通的一个重要组成部分，一个实时的道路可用空车位检测系统能帮助车主获取离他最近的可用空车位信息。减少车主没有目标的去寻找空车位而浪费时间和燃油的消耗。目前， 现有的道路可用空车位检测方法主要有两类。

第一类方法是利用地磁传感器、感应涡流车辆检测器、超声波车辆传感器和红外线等进行检测。例如，Lou 等人[1]通过地磁传感器和无线信号强度，设计了基于传感器的空车位检测系统；Srikanth 等人[2]通过无线传感器网络技术，设计了停车管理系统(SPARK)可以远程停车监控，自动导航和停车预约机制；Jo & Jung [3]利用超声波和红外线，设计了小尺度灵敏的感应器检测车辆，主要运用于室内；Zhang 等人[4]通过各向异性磁阻传感器(AMR)的停车占用检测新算法，设计了在路边停车位上部署传感器节点来检测停车位占用情况。第二类方法是利用计算机视觉技术进行检测。例如，Xiang 等人[5]通过结合haar-like 级联分类器及VGG16 网络进行服务区空车位检测。

Acharya等人[6]通过智能图像处理设计了利用图像处理的方法提取车位占有情况和车位位置管理空车位；Mane 等人[7]利用卷积神经网络对移动物体监测和跟踪能在不同照明和遮挡下检测物体；Papageorgiou, C.P.等人[8]介绍目标检测的主要框架；安旭骁等人[9]提出迷你卷积神经网络(MCNN)的概念通过减少网络参数来减少训练和识别时间，并在网络中加入局部响应归一化层以加强对明度的校正，以及使用小卷积核来获取更多图像细节；Saharan S 等人[10]提出了一种基于占用率的机器学习路边停车收费方案使用基于机器学习的方法来预测停车场的占用率推断到达车辆的占用率驱动价格。但由于城市道路两旁状况的复杂性，通过视频图像来检测空车位的方法还有很多有待研究的问题。

本文针对He, K.等[11]提出的faster RCNN 道路空车位检测算法存在范围广，外部环境复杂等问题， 提出了改进的faster RCNN 道路停车位检测算法。

利用k-means 聚类算法对道路空车位数据特征进行聚类， 然后，对候选框网络框架实行调整，提取更多的信息，再通过soft 非极大抑制算法调整筛选候选框机制来实现对空车位的检测。改进的算法比只用faster RCNN 算法在检测准确率上提升了两个百分点。

2. Faster RCNN 网络模型框架 Faster RCNN 算法流程主要有以下： a) 将图像输入网络得到相应的特征图； b) 使用区域建议框网络生成候选框，将区域建议框网络生成的候选框投影到特征图上获得相应的特征矩阵； c) 将每个特征矩阵通过ROI pooling 层缩放到7 × 7 大小的特征图， 接着将特征图展平通过一系列连接层得到预测特征图。