点击上方“小白学视觉”，选择加”星标“或“置顶”
1 引言
小编近期从周视相机感知转战到环视感知领域，个人觉得对于行人、车辆等目标检测和道路信息的语义分割从实现上差别不大，但是如何做车位线检测任务让我纠结许久，也算是把近几年各种深度学习做车位线检测的文章都看了一遍，下面对常规方法做些总结分享。
2 车位线有哪些特征strong>
理想的车位线由四个角点和四条线组成，如下图所示：红色的称为入口线（the entrance line）,左右两条称为分割线（the separate line）,底部的紫线一般用处不大作为边界即可。
c. 基于分割的方法是对车辆、空闲空间、停车位标识和其他对象进行逐像素的分类。这样就把车位线检测问题转换成了语义分割问题，形如前视感知中的车道线检测任务，但是语义分割任务需要经过一系列复杂的后处理才能得到相对准确的停车位，时耗上无法满足嵌入式端的实时要求。
3 车位线有哪些形式strong>
车位线的类型大方向主要有三种：垂直、水平、倾斜。但是在做车位线分类或者程序后处理时会遇到形形色色的结构，比如：
“Context-Based Parking Slot Detection With a Realistic Dataset”：该文有点类似Faser RCNN的粗略定位+精细微调两阶段 络，先在PCR模块中识别是否有停车位，在通过PSD模块对旋转BBox准确定位。
“Vacant Parking Slot Detection in the Around View Image Based on Deep Learning”：该文分为两个模块，车位线的检测和车位占用情况分类。车位线的检测模块采用YOLOv3的方式对整个车位槽的头部区域进行检测分类得到车位类型，省去了只检测两个交叉点后通过后处理得到车位类型的环节。
相关文章较多，小编就不一一举例了，需要相关文章的小伙伴可以私聊找我。
说完了 络结构，我们来看看有哪些开源的车位线数据集。目前找到的只有三个：
-
ps2.0
-
PSV
-
WoodScape
ps2.0是一份四颗鱼眼拼接后的数据，数据均属于停车场景，训练集约1W张，测试集不到5K张，标签是mat格式。数据如下图所示：
WoodScape数据集更偏向于每颗鱼眼独立的环境感知，标签包括约1W张外接框标签、约1W张语义标签、约1W张深度图、4颗相机的标定文件等信息，适用于分割、深度估计、三维包围盒检测、斑点检测等9项任务。数据如下图所示：
制定采集标准时，一定要考虑细致详尽，并对每种数据的采集数量确保相对平衡，否则会造成部分情况效果较差。下图是从一篇文章中找到的维度参考，做做Demo应该可以了：
输出是以车位线四个关键点的形式还是入口处两个相交区域外接框形式又或者语义图形式还在斟酌中，暂无很好的建议。
6 如何做的更像一款产品strong>
好消息，小白学视觉团队的知识星球开通啦，为了感谢大家的支持与厚爱，团队决定将价值149元的知识星球现时免费加入。各位小伙伴们要抓住机会哦！
文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34554 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！