陳俊松 何自芬 張印輝

摘要：隨著社會汽車數(shù)量的急劇增加，停車難已成為城市發(fā)展過程中的難題之一。針對這一問題，提出一種基于改進(jìn)YOLO算法的停車場車位檢測系統(tǒng)。通過網(wǎng)絡(luò)獲取、相機(jī)拍攝、三維建模3種方式分別獲取不同場合、不同時(shí)間段及不同光照環(huán)境下的數(shù)據(jù)集。通過改變YOLOv3網(wǎng)絡(luò)輸入分辨率、增大動(dòng)量、增大權(quán)值衰減值、增大批尺寸、減小抖動(dòng)、選擇合適的ignore_thresh值等6種不同措施對原網(wǎng)絡(luò)進(jìn)行改進(jìn)，得到相對原網(wǎng)絡(luò)檢測效果更好的新網(wǎng)絡(luò)YOL0-288x288。當(dāng)IOU=50時(shí)，改進(jìn)網(wǎng)絡(luò)的平均檢測精度由原來的86.5%提升到90.5%，查準(zhǔn)率雖然降低了3%，但查全率提高了10%，平均IOU提高了1%。實(shí)驗(yàn)結(jié)果表明，新的YOL0-288x288網(wǎng)絡(luò)優(yōu)于原網(wǎng)絡(luò)，其具有更高的檢測精度、查全率及可靠性，能滿足停車場的車位檢測需求。

關(guān)鍵詞：YOLO網(wǎng)絡(luò);車位檢測;機(jī)器視覺;卷積神經(jīng)網(wǎng)絡(luò)

DOI： 10. 11907/rjdk.191974

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP303

文獻(xiàn)標(biāo)識碼：A

文章編號：1672-7800（2020）004-0037-05

Automatic Parking Space Detection System Based on Improved YOLO Algorithm

CHEN Jun-song， HE Zi-fen . ZHANG Yin-hui

（Faculty of Me.chanical and Electrical Engineering，Kurzming Univer.sity of Science and Teclznology ， Kunming 65 05 00.China ）Abstract： The numher of cars iii today ' s society has increased dramatically and parking difficulties have become one of the problemsin urban development. To solve this prohlem， a parking lot parking detection system based on the improved YOLO algorithm is pro-posed in this paper. The data sets in diff'erent occasions. different time periods and different illumination environments are obtained bythree methods： network acquisition. camera shooting and three-dimensional modeling. By changing the input resolution of YOLOv3network. increasing momentum. increasing weight attenuation. increasing batch size， reducing jitter and selecting appropriate ig-nore_thres value. a YOL0-288x288 network with better detection ef'fect was obtained. When IOU=50. the average detection accuracyof the improved network was increased from 86.5% t0 90.5%. Although the precision rate was reduced by 3c7e . the recall rate was in-creased by 10% and the average IOU was increased by l%. The experimental results shoWthat the new YOL0-288x288 network is su-perior to the original network， with higher detection accuracy ， recall and reliahility and can meet the detection requirements of parkingspaces.Key Words ： YOLO network ; parking space detection ; machine vision ; convolutional neural network

O引言

“智慧城市”是許多城市的建設(shè)目標(biāo)，但由于汽車數(shù)量的急劇增加，停車難已經(jīng)成為“智慧城市”建設(shè)中的難題之一[1-2]。

目前有多種車位檢測方法，主要分為兩大類，一類是基于雷達(dá)與傳感器的車位檢測方法[3-8]，另一類則是基于機(jī)器視覺的車位檢測方法[9-11]。利用雷達(dá)與多傳感器對車位進(jìn)行識別相對于機(jī)器視覺方式具有獨(dú)特優(yōu)勢，例如對環(huán)境變化的適應(yīng)能力較強(qiáng)、檢測精度較高等。但該方法也有諸多缺點(diǎn)，例如傳感器與雷達(dá)對周圍環(huán)境敏感度很高，容易把其它物體判定為汽車，從而造成誤檢或錯(cuò)檢;雷達(dá)與傳感器造價(jià)相對昂貴，且安裝施丁過程繁瑣、成本較高，因此大多數(shù)中低端停車場并沒有資金預(yù)算對停車場車位進(jìn)行改造，難以全面推廣使用。通過機(jī)器視覺方法對車位進(jìn)行識別檢測，不僅不易受到其它物體干擾而產(chǎn)生誤檢情況，而且目前市場上的圖像采集設(shè)備價(jià)格比較經(jīng)濟(jì)實(shí)惠;大多數(shù)停車場都有監(jiān)控設(shè)備，不需要再次安裝圖像采集裝置;卷積神經(jīng)網(wǎng)絡(luò)的性能越來越強(qiáng)大，其具有多層結(jié)構(gòu)，可有效學(xué)習(xí)與反映輸入和輸出的復(fù)雜關(guān)系[12-13]。因此，基于機(jī)器視覺的車位檢測是目前的研究熱點(diǎn)之一[14-15]，

針對基于雷達(dá)與傳感器的車位檢測，龐家成等“。提出一種以AMR磁阻傳感器采集車位節(jié)點(diǎn)信號，通過ZigBee無線傳感組網(wǎng)，以STM32F10X微控制器為協(xié)調(diào)器收集并分析處理信號裝置以檢測車位占用情況的檢測方法;祁海祿[2]設(shè)計(jì)一種基于地磁與雷達(dá)檢測的無線車位檢測器，通過將地磁靜態(tài)檢測與雷達(dá)動(dòng)態(tài)檢測相結(jié)合實(shí)現(xiàn)對空閑車位的檢測;宋向前等[3]設(shè)計(jì)基于NB-IoT與地磁傳感器的車位檢測模塊，以MAG3110三軸地磁傳感器作為感知單元完成車位檢測;Abad等[4]提出一種傳感器三維建模方式，并通過對比計(jì)算出來的兩車位之間距離與本身車長判斷是否有空閑車位。

針對基于機(jī)器視覺的車位檢測，張一楊等[9]提出基于KL變換（ Karhunen-Loeve Transform，KL）與支持向量機(jī)的空閑車位檢測方法，首先對經(jīng)過灰度化和濾波處理后的車位圖像進(jìn)行KL變換，將車位圖像從圖像空間映射至特征子空間，從而提取出用于檢測的特征參量，在此基礎(chǔ)上利用訓(xùn)練后的支持向量機(jī)完成空閑車位檢測;安旭驍?shù)萚10]提出基于迷你卷積神經(jīng)網(wǎng)絡(luò)的停車場空車位檢測方法，對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，通過減少網(wǎng)絡(luò)層數(shù)以縮短網(wǎng)絡(luò)訓(xùn)練與識別時(shí)間;王梨等[11]提出基于視覺分析的室內(nèi)停車場車位檢測，對采集到的實(shí)時(shí)圖像先進(jìn)行分塊處理，通過灰度共生矩陣提取圖像塊O。、45。、90。、135。的能量、對比度、熵3個(gè)紋理特征參數(shù)，構(gòu)建特征向量，并利用支持向量機(jī)（SVM）[16]方法對其進(jìn)行分類，從而實(shí)現(xiàn)車位檢測。

為了解決傳統(tǒng)停車場車位檢測存在的問題，彌補(bǔ)基于傳感器與雷達(dá)檢測方法的不足之處，實(shí)現(xiàn)對車位的智能管理，本文提出一種基于改進(jìn)YOLO（You Onlv Look Once）的停車場車位檢測方法，通過對YOLO算法的改進(jìn)，得到一個(gè)檢測效果更好的檢測模型，以進(jìn)一步提高停車場的智能化水平。

1相關(guān)研究工作

1.1YOLO介紹

YOLO算法是由Redmon等[17]于2015年首先提出的，其主要采用直接回歸的思路，對輸入圖像進(jìn)行S*S的網(wǎng)格劃分，物體中心在哪個(gè)網(wǎng)格，哪個(gè)網(wǎng)格就負(fù)責(zé)對該物體進(jìn)行預(yù)測，每個(gè)網(wǎng)格需要預(yù)測B個(gè)邊界框以及C個(gè)類別概率。YOLO通過設(shè)置閾值過濾掉概率低的候選框，再對保留的候選框進(jìn)行非極大值抑制，即得到最終檢測結(jié)果。YOLO存在諸多缺點(diǎn)，如對于密集的小目標(biāo)種群以及近距離目標(biāo)檢測效果不理想、檢測結(jié)果定位誤差較大等。

2016年，Redmon等[18]。針對YOLOvl的缺點(diǎn)進(jìn)行改進(jìn)，提出YOLOv2網(wǎng)絡(luò)模型。YOLOv2網(wǎng)絡(luò)主要是在分類準(zhǔn)確度不變的情況下，提高網(wǎng)絡(luò)的查全率及定位精度。YO-LOv2模型通過提高訓(xùn)練圖像分辨率、在網(wǎng)絡(luò)中加入an-chor hox結(jié)構(gòu)，以及利用卷積層替代YOLO vl中輸出層的全連接層等措施進(jìn)行改進(jìn)。YOLOv2網(wǎng)絡(luò)包含19個(gè)卷積層以及5個(gè)最大池化層，所以也被稱為Darknet19，最終YOLOv2模型在識別精度、定位精度、查全率等方面都得到了較大提升。

針對兩個(gè)近距離的同類或異類目標(biāo)檢測問題，很多新算法不斷被提出，YOLOv3便是其中之一。YOLOv3網(wǎng)絡(luò)在近距離目標(biāo)與小目標(biāo)檢測上有很好的魯棒性，在一定程度上解決了這一問題。YOLOv3網(wǎng)絡(luò)是在YOLOv2模型基礎(chǔ)上，針對YOLOv2模型的一些問題作出改進(jìn)，連續(xù)使用3x3和lxl卷積層;參考?xì)埐罹W(wǎng)絡(luò)，在新網(wǎng)絡(luò)的一些層之間添加快捷鏈路，形成一個(gè)深度達(dá)到53層的網(wǎng)絡(luò);利用多尺度特征進(jìn)行對象檢測，通過獲得不同尺度的感受野，加強(qiáng)對不同尺度對象的檢測;用能夠支持多標(biāo)簽對象的Logistic分類器替換YOLOv2模型中softmax[19]分類器。經(jīng)過改進(jìn)，最終提出了YOLOv3模型[20]，也被稱Darknet53。

1.2 改進(jìn)YOLO算法

本文通過減小YOLOv3網(wǎng)絡(luò)輸入分辨率、增大動(dòng)量、增大權(quán)值衰減值、增大批尺寸、減小抖動(dòng)、選擇合適的ig-nore_ thresh值等6種不同措施對原網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過vo-lov3.conv.81預(yù)訓(xùn)練權(quán)重進(jìn)行加速訓(xùn)練，并對各組參數(shù)用網(wǎng)絡(luò)搜索方法進(jìn)行實(shí)驗(yàn)，最終得到相對原網(wǎng)絡(luò)具有更高平均精度、查全率、查準(zhǔn)率及平均IOU（ Intersection over Union.IOU）的新網(wǎng)絡(luò)YOL0-288x288。

在損失函數(shù)中加入一些正則項(xiàng)可以防止網(wǎng)絡(luò)過擬合。在隨機(jī)梯度下降（SGD）中加入正則項(xiàng)對損失函數(shù)進(jìn)行規(guī)范化。

由式（1）可知，權(quán)值衰減參數(shù)入越大，權(quán)重w則會不斷衰減。由式（2）可知權(quán)重w的衰減使得Z值不斷減小，實(shí)際上Z的取值范圍很小，因此激活函數(shù)呈相對線性，整個(gè)神經(jīng)網(wǎng)絡(luò)會計(jì)算離線性函數(shù)近的值，該線性函數(shù)相對簡單且不會發(fā)生過擬合。權(quán)值衰減參數(shù)入越大，對過擬合的抑制能力越強(qiáng)。本文通過網(wǎng)絡(luò)搜索方式對0.0005（基準(zhǔn)）、0.0010、0.0015、0.0020等4組參數(shù)進(jìn)行訓(xùn)練，結(jié)果顯示，當(dāng)權(quán)值衰減取0.0015時(shí)，平均檢測精度最大，達(dá)到72.23%。

利用數(shù)據(jù)抖動(dòng)可產(chǎn)生更多數(shù)據(jù)，防止過擬合。抖動(dòng)是裁剪參數(shù)，抖動(dòng)為0.2即在0-0.2中進(jìn)行裁剪。在本文中，當(dāng)抖動(dòng)為0.2時(shí)，平均精度達(dá)到最大值72.32%，此時(shí)裁剪前后圖像見圖1、圖2。動(dòng)量會影響梯度下降到最優(yōu)值的速度，由式（3）可知，梯度下降法參數(shù)更新只與當(dāng)前梯度有關(guān)。但動(dòng)量梯度下降法是先求每個(gè)mini-batch的梯度，然后進(jìn)行指數(shù)加權(quán)平均得到新參數(shù)Vv與Vv用于更新之前的參數(shù)。由于指數(shù)加權(quán)平均后的梯度中含有之前梯度更新方向的信息，所以利用指數(shù)加權(quán)平均之后的梯度對參數(shù)進(jìn)行更新得出最終更新方向，是一種較優(yōu)的梯度下降方法，其過程如式（4）所示。動(dòng)量梯度下降算法不僅能夠增強(qiáng)穩(wěn)定性，而且還能避免局部最優(yōu)。若當(dāng)前梯度與歷史梯度一致，則增強(qiáng)該梯度，反之，則梯度衰減以抑制震蕩，其作用效果如圖3所示。通過實(shí)驗(yàn)，當(dāng)本文動(dòng)量取0.92時(shí)，平均精度達(dá)到最大值72.39%。

ignore_thresh是指參與計(jì)算的IOU閾值大小。ig-nore_t11-esh大小的選擇很重要，其決定參與loss計(jì)算的檢測框數(shù)量，igno-re_thresh值若過大則可能造成過擬合，但若ignore_thresh值過小，義會使參與計(jì)算的檢測框數(shù)量過多，并造成欠擬合現(xiàn)象。ignore_thresh通常會在0.5-0.7之間選取一個(gè)值，本文中ignore_thresh值取0.7時(shí)，平均檢測精度最高。

通常網(wǎng)絡(luò)輸入分辨率越高，對小目標(biāo)的識別效果越好。由于全卷積網(wǎng)絡(luò)總共對輸入圖像進(jìn)行了5次下采樣（步長為2的卷積或池化層），所以原圖應(yīng)為最終特征圖的32倍。因此，輸入圖像大小應(yīng)為32的倍數(shù)關(guān)系[21]。本文待檢測目標(biāo)為空閑車位和有車的車位，兩者均不是小目標(biāo)，且在圖片中都相對較大，所以通過對不同輸入分辨率的對比訓(xùn)練實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)輸入圖像分辨率為288×288、輸出網(wǎng)格尺寸為9x9時(shí)檢測效果最好，平均檢測精度達(dá)到75.43%，其網(wǎng)絡(luò)結(jié)構(gòu)見圖4。

批尺寸表示一次迭代訓(xùn)練中輸入的圖片數(shù)量，批尺寸值越大，網(wǎng)絡(luò)訓(xùn)練時(shí)間越長，但能夠找到更好的梯度下降方向，收斂的也越精細(xì)，因此在電腦顯存允許的情況下，需要盡可能地增大批尺寸值。但批尺寸值也不能過大，否則可能會陷入局部最優(yōu)。綜上可知，合適的批尺寸值會使電腦內(nèi)存利用率以及矩陣乘法的并行化效率都得到提高，一個(gè)epoch中迭代次數(shù)減少，并找到更好的梯度下降方向。過大的批尺寸值會使得電腦內(nèi)存不足，訓(xùn)練時(shí)間增長，對參數(shù)的修正也變得更加緩慢，梯度下降方向也基本不會因?yàn)榕叽缰档脑龃蠖侔l(fā)生改變。本文通過增大批尺寸提高了平均檢測精度，當(dāng)批尺寸為160時(shí)，平均檢測精度達(dá)到最優(yōu)值80.56%。

1.3超參數(shù)優(yōu)化結(jié)果

表l中所列為權(quán)值衰減、抖動(dòng)、動(dòng)量、ig-nore_thresh、網(wǎng)絡(luò)輸入分辨率、批尺寸等6個(gè)不同參數(shù)的數(shù)值組，用vo-lov3.conv.81預(yù)訓(xùn)練權(quán)重對表1中的不同參數(shù)由上往下使用網(wǎng)絡(luò)搜索方法進(jìn)行訓(xùn)練，每次訓(xùn)練次數(shù)為4000次，使得網(wǎng)絡(luò)的平均檢測精度、查全率、平均IOU、F1-score逐步得到提高，最終得到Y(jié)OL0-288x288網(wǎng)絡(luò)模型。

通過網(wǎng)絡(luò)搜索方式對參數(shù)進(jìn)行篩選，取其中的最優(yōu)值。當(dāng)權(quán)值衰減增大時(shí)，檢測效果有一定程度提高。當(dāng)抖動(dòng)增加時(shí)，檢測結(jié)果反而不如基準(zhǔn)結(jié)果，但當(dāng)抖動(dòng)減小為0.2時(shí)，檢測效果義有一定程度提高。當(dāng)動(dòng)量與批尺寸值提高時(shí)，網(wǎng)絡(luò)可得到較好的檢測效果。網(wǎng)絡(luò)搜索比較后所確定的最終參數(shù)見表2。

2實(shí)驗(yàn)與結(jié)果討論

2.1數(shù)據(jù)集準(zhǔn)備

本文數(shù)據(jù)集主要通過網(wǎng)絡(luò)獲取、相機(jī)拍攝、三維建模3種方式獲取，其中包括不同時(shí)間段、不同光照條件、不同環(huán)境等多種情況下的不同圖片。本文數(shù)據(jù)集共包含493張圖片。其中355張圖片作為訓(xùn)練集，138張圖片作為測試集。將數(shù)據(jù)集標(biāo)注為A、B兩類，其中A是停有汽車的車位，B是空閑車位。數(shù)據(jù)集如圖5所示，其中包括有陽光的室外停車場圖像、傍晚室外停車場圖像、陰天室外停車場圖像、地下停車場圖像、三維建模圖像等多種不同條件下的圖像。

2.2實(shí)驗(yàn)平臺

實(shí)驗(yàn)主要在PC端完成，PC主要配置為：i7處理器，電腦運(yùn)行內(nèi)存為16G，GPU（GTX-1060），顯存為6G。開發(fā)環(huán)境為Vi-sual Studi0 2015，需要配置CUDA-9.0、C-UDANN-9.0、OpenCV3.0和YOLOv3物體檢測框架。

2.3實(shí)驗(yàn)結(jié)果與分析

用YOL0-288x288網(wǎng)絡(luò)對darknet53.conv.7預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為4000次，得到一系列檢測模型，訓(xùn)練結(jié)果見圖6。由圖6可知，訓(xùn)練到2200次時(shí)，檢測模型平均檢測精度最高，再分別令I(lǐng)OU=50與IOU=75對最優(yōu)模型進(jìn)行檢測，檢測結(jié)果見表3、表4。由表3可知，當(dāng)IOU=50時(shí)，改進(jìn)后網(wǎng)絡(luò)平均檢測精度提高了4%，達(dá)到90.5%，查準(zhǔn)率降低了3%，為92%，但是查全率達(dá)到88%，相比改進(jìn)前網(wǎng)絡(luò)提高了10%，平均IOU提高到75.75%，F(xiàn)1-score提高到0.9。當(dāng)IOU=75時(shí)，改進(jìn)后網(wǎng)絡(luò)的平均檢測精度、查準(zhǔn)率、查全率、平均IOU、F1-score等都有大幅提高。從實(shí)驗(yàn)結(jié)果可以看出，改進(jìn)后網(wǎng)絡(luò)優(yōu)于原網(wǎng)絡(luò)，相比改進(jìn)前模型具有更高的檢測精度以及查全率，因此認(rèn)為改進(jìn)后的網(wǎng)絡(luò)更加可靠。

2.4測試結(jié)果對比分析

由于當(dāng)IOU=50時(shí)，檢測模型的檢測精度較高，所以本文對IOU=50時(shí)改進(jìn)后檢測模型與原網(wǎng)絡(luò)檢測模型進(jìn)行測試，結(jié)果見圖7、圖8。在圖7（a）中從左往右，兩個(gè)空閑車位檢測精度分別為99%、96%。有車輛停放的車位檢測精度為91%，且檢測邊框位置不夠準(zhǔn)確，而在圖7（b）中從左往右，兩個(gè)空閑車位檢測精度分別為99%、99%，有車輛停放的車位檢測精度為100%，且檢測邊框位置相對來說較為準(zhǔn)確;在圖8（a）中從左往右，3個(gè)空閑車位檢測精度分別為95%、72%、91%，對于有車輛停放的車位并沒有檢測到結(jié)果，出現(xiàn)了漏檢，且檢測邊框位置不夠準(zhǔn)確，尤其是從左往右第二個(gè)車位的檢測邊框位置與實(shí)際位置相差較大。在圖8（b）中從左往右，3個(gè)空閑車位檢測精度分別為100%、100%、100%，對有車輛停放的車位檢測精度為85%，且車位檢測邊框位置相對來說較為準(zhǔn)確。由對比結(jié)果可以看出，由于改進(jìn)后模型具有更高的平均檢測精度、查全率、平均IOU以及F1-score，所以檢測效果明顯優(yōu)于

陳俊松，何白芬，張印輝：基于改進(jìn)YOLO算法的車位白動(dòng)檢測系統(tǒng)改進(jìn)前模型，不僅檢測精度明顯提高，而且有更高的查全率以及更好的泛化能力與定位精度，不易發(fā)生漏檢情況。

3結(jié)語

本文提出一種基于改進(jìn)YOLO算法的停車場空閑車位檢測方法，通過改變輸入網(wǎng)絡(luò)的分辨率、權(quán)值衰減、抖動(dòng)、動(dòng)量、ignore_thre-sh、批尺寸等不同參數(shù)進(jìn)行優(yōu)化調(diào)節(jié)，最終得到新的YOL0-288×288網(wǎng)絡(luò)。然后利用YO-L0-288x288網(wǎng)絡(luò)對包含不同時(shí)間段、不同光照條件、不同環(huán)境圖片的數(shù)據(jù)集進(jìn)行訓(xùn)練，最后得到一個(gè)相對改進(jìn)前模型效果更好的檢測模型。當(dāng)IOU=50時(shí)，其平均檢測精度達(dá)到90.5%，查準(zhǔn)率達(dá)到92%，查全率達(dá)到88%，平均IOU達(dá)到75.75%，F(xiàn)1-score=0.9。實(shí)驗(yàn)結(jié)果表明，該方法能滿足停車場空閑車位檢測需求，有利于智能停車場建設(shè)，進(jìn)而推動(dòng)智慧城市建設(shè)。在后續(xù)研究中將通過改進(jìn)網(wǎng)絡(luò)層數(shù)、對不同圖像進(jìn)行不同預(yù)處理等方法，進(jìn)一步提高模型泛化能力與檢測精度。

參考文獻(xiàn)：

[1]史添添，曾潔，趙宏凱，等智能停車場的車位信息檢測及管理系統(tǒng)[J]電子設(shè)計(jì)工程，2017，25（4）：185-188

[2]劉婧，關(guān)宏志，賀玉龍大城市中心區(qū)停車尋位研究[J].公路交通科技，2016，33（1）：135-139.

[3]龐家成，徐新民.基于AMR磁阻傳感器的無線車位檢測設(shè)計(jì)[J].微型機(jī)與應(yīng)用，2019，35（12）：28-30.

[4]]祁海祿基于地磁和雷達(dá)檢測的無線車位檢測器設(shè)計(jì)[J]智能感知與儀器儀表，2018，37（7）：78-81.

[5]宋向前，呂卅，趙蓉基于NB-IoT和地磁傳感器的車位檢測模塊設(shè)計(jì)[J].中外企業(yè)家，2018（8）：133.

[6]ABAD F. BENDAHAN R， WYBO S，et al. Parking space detection[EB /OL].[2017-05-10].https：//www.researchgat-e.net/puhlication/2287 1 6676_Parking_s-pace_detection.

[7]嚴(yán)曉明.一種基于改進(jìn)幀差法的運(yùn)動(dòng)目標(biāo)檢測[J].莆田學(xué)院學(xué)報(bào)，2011（5）：69-72.

[8]李鍵，丁學(xué)明.視頻前景提取算法研究[J].軟件導(dǎo)刊，2018（2）：135-139.

[9]張一楊，姚明林.基于KL變換和支持向量機(jī)的空閑車位檢測方法[J]機(jī)械設(shè)計(jì)與制造，2018（5）：197-199.

[10]安旭驍，鄧洪敏，史興宇.基于迷你卷積神經(jīng)網(wǎng)絡(luò)的停車場空車位檢測方法[J].計(jì)算機(jī)應(yīng)用，2018，38（4）：935-938.

[II]王梨，王飛，陳亮杰，等基于視覺分析的室內(nèi)停車場車位檢測[J].軟件導(dǎo)刊，2019，18（4）：13-15.

[12]俞汝劫，楊貞.基于深度卷積神經(jīng)網(wǎng)絡(luò)的航空器的識別和檢測[J].計(jì)算機(jī)應(yīng)用，2017，37（6）：1702-1707.

[13]李玉罐，張婷.深度學(xué)習(xí)導(dǎo)論及案例分析[M].北京：機(jī)械工業(yè)出版社.2017

[14]李宇成，李國輝，趙興彩.基于ARM嵌入式系統(tǒng)的空閑車位檢測方法[J].科學(xué)技術(shù)與工程，2013，13（21）：6118-6123.

[15]鄒初建，錢正洪，白茹基于三軸CMR傳感器的無線車位檢測系統(tǒng)[J]儀表技術(shù)與傳感器，2014（9）：62-65.

[16]GHASSABEH Y A. Asymptotic stability of equilihrium points ofmean shift algorithmEJl. Machine Learning， 2015， 98（3）：359-368

[17]REDMON J， DIVVALA S， CIRSHICK R. et al. You onlv look once：u nified， real-time object detection[C].CVPR， 2016.

[18]REDMON J， FARHADI A. YOL09000： better， faster， stronger[DB/OL J. https： //arxiv.org/pdf/1506.02640.pdf.

[19]LIU W，WEN Y. YL Z， et al. Large-margin softmax loss for conVolu-tional neural networks[C].Internatinnal Conference on InternationalConference on Machine Learning， 2016： 507-5 16.

[20]REDMON J，F(xiàn)ARHADI A.YOLOv3： an incremental improve ment[DB/OL].https： //arxiv.org/pdf/1804.02767.pdf

[21]譚康霞，平鵬，秦文虎基于YOLO模型的紅外圖像行人檢測方法[J].激光與紅外，2018，48（11）：1436-1442。

（責(zé)任編輯：黃?。?/p>

收稿日期：2019-07-09

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（ 61761024，61461022）

作者簡介：陳俊松（1996-），男，昆明理工大學(xué)機(jī)電工程學(xué)院碩士研究生，研究方向?yàn)橛?jì)算機(jī)視覺、深度學(xué)習(xí);何自芬（1976-），女，博士，

昆明理工大學(xué)機(jī)電工程學(xué)院副教授、碩士生導(dǎo)師，研究方向?yàn)閳D像處理;張印輝（1977-），男，博士，昆明理工大學(xué)機(jī)電工程

學(xué)院教授、博士生導(dǎo)師，研究方向?yàn)閳D像處理、模式識別。本文通訊作者：何自芬。