APA自动泊车的车位检测算法的分析与研究

一、背景介绍

自动泊车大体可分为4个等级：

第1级，APA 自动泊车：驾驶员在车内，随时准备制动，分为雷达感知和雷达+视觉感知两种方式。

第2级，RPA 远程泊车：驾驶员在车外，通过手机APP的方式控制泊车。

第3级，HPA 记忆泊车：泊车之前先通过 SLAM对场景建模，记忆常用的路线。泊车时，从固定的起点出发，车辆自行泊入记忆的停车位。

第4级，AVP 自主泊车：泊车之前先通过 SLAM对场景建模，记忆常用的路线。泊车的起点不再固定，可以在停车场的任意位置开始，需要室内定位威廉希尔官方网站 做支撑。

本文分享第1级相关的车位检测算法。

1.1 自动泊车

图2 自动泊车

自动泊车，在21世纪20年代的今天，是智能出行、辅助驾驶的强有力的一环。自动泊车就鲁棒性和安全性而言，需要分为视觉和测距同时发生作用。其中视觉当然是用深度学习，而测距一般采用雷达。视觉在寻找车位阶段作为主力，而倒车入库时，测距（雷达）发生作用。

1.2 车位检测

车位检测的场景一般在车库、户外，而自动泊车这一应用在都市商场车库和都市户外车位实用性比较高，这样可节省时间方便出行。车位检测需要汽车进入到有车位的区域后，汽车慢速行驶的过程中，开始检测。

图3 检测可以停车的车位

1.3 鱼眼相机

车身周围一般有4路鱼眼相机：前、后、左、右共四个。用来拍摄车周围的画面。如下图所示为车右边的鱼眼相机拍摄的画面。鱼眼相机拍摄的图一般不用来做车位检测，但可以用来后续做障碍物检测。

1.4 AVM

4幅鱼眼相机拍摄的画面会经过Around View Monitor(AVM)处理，生成一个拼接后的鸟瞰图，车位检测就是在AVM处理后的照片上进行的。4幅畸变的图，先要去畸变再做融合，这里是一块相当有意思的部分，甚至我觉得上限远高于车位检测，车位检测的质量也由上游的AVM决定，可谓自动泊车中得AVM者得天下。另外，有效的做法可以采取在4幅拍摄的画面去畸变后，单独采用4幅独立的图送入车位检测网络中进行处理，而不是一张整个大图。如下的鸟瞰图的宽长是经过我们实际工程处理中，采取的宽高像素比例，大小需要根据硬件条件和实际够用范围进行调整。

1.5 工程化

车位检测算法搭出来以后，工程化的道路才刚刚开始，好戏还在后面，需要团队配合了。本文就不涉及这一范畴了。

二、车位检测算法的相关工作

车位检测算法，从21世纪开始说起，那一定是由传统的视觉过渡到深度视觉。

2.1 传统视觉的车位检测

传统视觉的介绍，这里用一些示意图来展示：

图7 车位检测传统视觉方法示例1，2000年,Vision-Guided Automatic Parking for Smart Car

图7 车位检测传统视觉方法示例2，2006年,Parking Slot Markings Recognition for Automatic Parking Assist System

en.. 如上两图所示，利用一些算子和图像处理的手段，先提特征，再后处理。接下来，再介绍一个比较复杂，但是比较典型的方法（2012年的）：Fully-automatic recognition of various parking slot markings in Around View Monitor (AVM) image sequences 利用AVM图，它是先检测车位角点，再后处理配对，一些过滤和纠正操作，最终从图中抓出车位。图如下：

图8 车位类型对应的不同角点类型

图9 角点类型。多吧，不多，还有更多的... 这是模板匹配的难以穷尽之处

图10 后处理

接下来介绍一个DBSCAN的方法（2016年），DBSCAN是什么，以下来自维基百科：英文全写为Density-based spatial clustering of applications with noise，是在 1996 年由Martin Ester, Hans-Peter Kriegel, Jörg Sander 及 Xiaowei Xu 提出的聚类分析算法， 这个算法是以密度为本的：给定某空间里的一个点集合，这算法能把附近的点分成一组（有很多相邻点的点），并标记出位于低密度区域的局外点（最接近它的点也十分远），DBSCAN 是其中一个最常用的聚类分析算法，也是其中一个科学文章中最常引用的。在 2014 年，这个算法在领头数据挖掘会议 KDD 上获颁发了 Test of Time award，该奖项是颁发给一些于理论及实际层面均获得持续性的关注的算法。

一看到这个解释就头大，看看图吧，非深度方法的处理确实很费神。这个方法，采取了线段检测，可利用的特征更多了，感觉好像也更复杂了。

图11 DBSCAN的处理，2016年，Directional-DBSCAN Parking-slot Detection using a Clustering Method

图12 线段检测出来后的结果，2016年，Directional-DBSCAN Parking-slot Detection using a Clustering Method

看到上图的线段检测结果，各位观众大佬爷想来一波后处理吗（滑稽...）:) 反正我是不会 。

传统视觉的车位检测介绍就到这儿，方法还有很多，其实不必太关心。

图13 传统视觉的车位检测

但是可供深度学习借鉴的有：（1）角点检测；（2）线段检测；（3）后处理过滤、平滑、配对；（4）帧与帧直接的预测，即通过推算当前帧得出下一帧的车位位置；（5）在AVM成像的鸟瞰图上进行处理，降低难度；（6）车位类型的分类；（7）车位角点和线段的分类；（8）穷举。

2.2 深度时代的车位检测

我们可以在传统视觉处理的基础上，直接替换传统视觉算子，用深度学习的网络提特征，来一波传统向深度过渡的过程。犹如 RCNN（提特征+SVM分类） -> Fast RCNN（端到端+ROI） -> Faster RCNN (RPN+性能强劲+快)；这样的流程一点一点，拿掉传统的处理，一点一点进行深度学习模块的设计和整合；然后再由两阶段到单阶段的过渡（YOLO -> SSD -> RetinaNet -> yolo serials)。最后用完全体的深度学习网络，确定车位检测的最终解决方案。

通用车位检测算法效果1

来个效果视频吧，前面的介绍看着都看累了，看看我们做的，这个是一版还很粗糙的实测测试，无任何后处理（可以无NMS），网络直出。整个网络41FLOPS，0.28M参数，（python版本量化前）: backbone14MFLOPs，head26MFLOPs。这里采用的单路鱼眼相机去畸变图，并把输入处理到384和128分辨率。单阶段。视频中有闪，AVM图的处理受限于各种状况，工程难度高。后续解决的，这里就不放了。我们主要介绍车位检测这一通用的方法。然后运算量和参数量怎么设计就怎么设计。

图14 运算量

先介绍以往的工作。我们分三种大类来概述（1）目标检测；（2）语义分割；它们的结合；（3）Transformer查询；

目标检测的处理，一般是通过检测车位角点、车位整个bounding box和检测线段（一般不会这样做）。

检测车位角点的paper比较多，取3个方法来图示说明。

图15 PS2.0数据集出处的方法，2018年，Vision-based parking-slot detection: A DCNN-based approach and a large-scale benchmark dataset

图16 更多的角点分类，PSDet，2020年，Psdet: Efficient and universal parking slot detection

图17 角点配对示意，DMPS-PR，2019年

DMPR-PS: A Novel Approach for Parking-Slot Detection Using Directional Marking-Point Regressionhttps://ieeexplore.ieee.org/abstract/document/8784735

角点检测一般会带上分类信息和角度信息，传统的模板匹配到深度学习的分类，进化可见一斑。

用检测框的方法居多，因为，这样是直接利用目标检测的bounding_box框来框停车位，简直不要太好用。

图18 PIL_park数据集出处，bounding_box检测示意

Context-Based Parking Slot Detection With a Realistic Datasethttps://ieeexplore.ieee.org/abstract/document/9199853

上图是回归一个bounding_box框的做法，带有角度信息，这个框的处理是可以是四边形的，不一定非得矩形，可以有不同的夹角（小于90度），有点意思，不过需要做些限制处理，轻微的后处理。

回归框的做法很典型，只取上述图一篇Context-Based Parking Slot Detection With a Realistic Dataset，细微差异的方法确实会有很多，不一一介绍了。

图19 方法截图示意

图20 https://github.com/lymhust/awesome-parking-slot-detection

看哇，很多。21年的没整理成案，就不贴了。

接下来贴一下，语义分割方法的示意图：

图21 VH-HFCN，2018年

VH-HFCN based Parking Slot and Lane Markings Segmentation on Panoramic Surround Viewhttps://ieeexplore.ieee.org/abstract/document/8500553

语义分割，采用这种方法的童鞋可能纠结于后处理吧。

图22 效果似乎还是有更好的出来。2018年Semantic segmentation-based parking space detection with standalone around view monitoring system

图23 global信息

图24 接上图23，local信息

图23和图24是2021年的一篇文章：

End-to-End Trainable One-Stage Parking Slot Detection Integrating Global and Local Informationhttps://ieeexplore.ieee.org/abstract/document/9316907/

如果端到端单阶段的算法，需要以这种看起来复杂的后处理为代价，还是挺佩服作者的。

图25 它的效果还是可以的。

这里介绍个2021年的别出心裁的方法：

图26 2021年，Attentional Graph Neural Network for Parking Slot Detection

Transformer来一波：

2021年，Order-independent Matching with Shape Similarity for Parking Slot Detection

用Transformer（DETR）来做，实在没必要。

图27 没必要1

图28 没必要2

效果也没见到好到哪里去，难度车位图也没贴。此条路，工程化不容易的。

三、我们的方法

花了大量篇幅介绍前人的工作，无外乎是为了引出我们的工作。

先贴下图吧：

图29 效果图1

图30 效果图2

再来个视频：

车位检测推理

我们的方法，我们把它命名为通用停车位检测，简称为GPSD。

在正式介绍之前，先解释为什么要做这一件事。

3.1 为什么还要重复造轮子？

可能是因为前人的方法不够好，可能是自己复现不了，可能是吃数据集，可能是不够简单粗暴稳准狠，也可能是泛化性能不强，总之，有各种各样的原因。

理性的说：车位数据集越来越复杂的情况下，一旦沾有分类和利用车位标线（就是车位最常见的白色的线），这就注定了算法吃数据集。一家车企要hold住每年上百万的销量如果还带有优质的自动泊车，那么它的自动泊车算法（或工程）得有多鲁棒啊，但一般来说，只给正确结果，要出错难度车位它不检就是:）。AVM的成像质量也影响着车位检测算法的准确度上限，但AVM成像受制于鱼眼相机的拍摄，畸变矫正的插值本就是难为了AVM了，是系统误差！试想，在商场车库中（比较常见吧）这个场景，鱼眼相机远处拍到了一堆，给你来一堆立体停车位，整个一块钢板，还上下层，灯光有偏暗，地面还反光，去畸变插值拼接后，这个要去抽取角点特征？要去抽取车位标线？可能用bounding_box加数据train来得痛快吧。

感性的说：实际中的情况是，车位会受各种现实情况的影响。如磨损，各种花哨的样式，遮挡（AVM成像本身就有临近车身畸变遮挡车位），甚至没有标线。反正就是非理想的车位，非理想的停车环境。这时，做好这些车位检测，或者说是工程应对，才能使车使自动泊车开得更远，应用场景更广。

理性感性也分不清了。在自己拿到采集的数据集时，要去做检测，发现不是调个YOLO系列就能搞定的事。网上公开的数据集可用同济的ps2.0，首尔的PIL_park，这两个数据集可以用来练兵，再去应对现实场景。

实际上，就嫌之前的方法看起来麻烦，还不容易在短时间内上手，在做工程的时候，当然是又快又好，抄作业难以抄到好的情况下，考虑造一个好用又泛化的算法。这就是通用停车位检测算法GPSD的由来。

3.2 怎么来定义一个停车位？

要放一些图

其实原理也很简单，但想泛化，需要考虑的还是有一些。

汽车长这样，占地区域是方方正正。就一个矩形。

车位只要能放得下一辆汽车即可，线段是直的。

鸟瞰图里，一个停车位人眼看起来是放不下一个车位的，哈哈

这是AVM成像带来的，不可避免的，畸变。但是深度学习就强大在这个地方，我们人眼认为他是一个车位，不要被图像而蒙蔽，深度学习从图片中学习特征，这里还要再深层次一点，从图像中去学习高级的人为推断的抽象特征，而这种特征不是显性的不是显式的不是正确的，甚至是错误图像带来的错误信息，需要让深度学习去学到，这个时候，目标检测、语义分割、角点检测、线段检测分割，种种，从CV里拿来就用的拿来主义，似乎受到了一点挑战。如果只是就图检图的化，畸变的车位，和车库里畸变的柱子，就已经可以横跨好几个车位把车位遮挡完了，我们必须警醒：从实际物理的角度而不是成像的像素分布去看待一个车位。

我们这样来看一个车位：

图38 它实际上就是两个车位

让深度学习去理解，我们要学习这样一个车位。汽车什么的遮挡无关紧要，深度学习真的可以办到。

再抽像点：

停车位的概念，来源于车。先有车，再有停车位。如此简单。车位一定必定是抽象出来四四方方像车一样，是方的，最多的变化占地是平行四边形而已：

图41 平行四边形车位，非矩形

3.2 车位几何抽象

还是以图示来进行说明。

车位可以如上图的简单几何表示。如果只是这么简单就好了。实际上，车位是挨个连排的，车位周围干扰线也比较多。而车位分布，总结为如下三种情况

如上图，车位1，2为连续的车位分布；车位3，4为间隔的车位分布；车位5，6为错开的车位分布。矩形可换成平行四边形表示。车位1，2这种情况最常见。车位3，4这种也常见，比如车库中有柱子，车位需要隔开。

空车位好做检测，而车位上有汽车的时候，画面大部分是畸变的汽车，给车位检测带来了一定的难度。

这时候，用anchor_based的方法bounding_box总觉得很怪，另外，车位在AVM中，成像不一定是完整的，比如：

图45 车位的各种姿势

如上图，人为的对图像中的车位进行各种处理，为什么要这样做呢？因为车在行驶过程中，各种转向，和离车位开得近开得远，AVM成像出来的画面都是不一样的。这时，车位抽象出来不一定就是实际的方的了，完整的方形，被AVM成像给截断了。这时采用锚点框做bounding_box检测，又遇到点麻烦。

不采用bounding_box或许是最好的选择。

此时，需要对车位的几何抽象做数学上的表征，使它代表一个车位，并且不受AVM成像和汽车行驶所影响，且完美避开汽车畸变带来的影响。见如下：

我尽量用白话文说清楚。

老规矩，先上图：

如图47所示：

定义1：把AB定义为车位的进入线，此进入线需确定方向和长度。

定义2：把AD定义为车位的分隔线，此分隔线有两种定义方式，(1)确定的长度和方向；（2）只定义方向。

定义3：对AD做平行线BC，线的起始端点为A，BC不做处理，通过AB和AD计算即可。

定义4：长度和方向这样确定，以AB为例进行说明：delta_x=x_A-x_B，delta_y=y_A-y_B；delta_x和delta_y需要做归一化处理，即除以W和H。先知道A点的坐标后，此时长度和方向均已确定。

定义5：只确定方向时，需要预测AD的线的cos和sin值，通过反算arctan，得到角度。先知道A点的坐标后，方向即可确定。

定义6：对AVM图，需要把它处理成右摄像头视角，即左边的成像需要旋转到对其右边视角，进行统一处理。

图49 公式

3.2 车位几何抽象

车位抽象出来后，我们只需预测车位的几何表征信息，而无需纠结于车位具体是哪种类型，角点具体用哪种模板，复杂抽象的几何表征，恰恰是对复杂的现实环境的一种数学表示。

图52 看看立体停车位的几何表征，红色线是做的的蓝色线的平行线。

图53中的红色曲线箭头，代表车位的几何方向，进入线是AB，分隔线是AD，车位角点是A，红色方向为分隔线->车位角点->进入线。AD->A->AB

3.3 数据集的制作

图54 整张AVM的切图处理

图55 鱼眼相机4路输入

图54是整张AVM图（4路图像去畸变和拼接后）做的处理，图56是单路鱼眼相机图像做的处理。

在制作数据集时，可以在AVM图上进行标注，也可以在单路图像上进行标注。

整张AVM图标注时，遵循图53的右子图标注原则：即在AVM整图的右边，找到车位，对车位角点A打标；再标注进入线AB，AB应尽可能准确；标注AD时，可任意选择AD的长度，因为AD的预测有两种方法，再上篇的图49公式里，是计算方式。此时整个车位就是逆时针顺序。相对而言，AVM图左边的标注也是按照逆时针原则，但要注意标注进入线和分隔线。

单路图像标注时，把左边相机拍摄的左子图全部旋转到右子图，进行统一标注。

另外，还可以给车位上是否占用，即是否可用打上标签。

标注的图像通过裁剪和放缩，处理到W=128，H=384，W/H=1/3，送入网络。这个比例和大小自己定，这里职位为了除以下采样32的倍数，选128的倍数更方便。

图58 这些车位标注起来也有点难度

公开数据中，我们采用了ps2.0和PIL_park，并进行数据集的改造。以符合我们的几何抽象定义。另外还自行采取和制作了商场停车场的数据集（就不贴上来了）。

ps2.0:Vision-based parking-slot detection: A DCNN-based approach and a large-scale benchmark dataset

PIL_park:Context-based parking slot detection with a realistic dataset

3.4 车位预测

在feature map上，一个feature_map像素，回归一个车位。输入的分辨率是128*384，吐出的特征图分辨率是4*12，输入的通道是3（RGB）或者1（Gray灰度图），输出的通道根据需要而定，我们采用的8个输出通道，具体为：confidence置信度，车位角点A_x/A_y，进入线delta_x/delta_y，分隔线delta_x/delta_y或者分隔线cos/sin，是否占用标志isOccupied(或者是否可用标志available)。

这里的车位角点，并不是真正意义上的图像中一定存在的车位角点，进入线和分隔线也不是真正意义上图像中存在的线、实线、虚线、各种线，我们回归的是一种抽象的数学几何表示。

图59 画图可视化1

图60 画图可视化2

是不是有点像CenterNet?或者YOLO系列，YOLO1/2/3/X，Anchor Free，但是这里最大的区别在于，没有利用图像中的具体像素，利用实例的形状和位置来确定实例，这里就解释不通，因为汽车有畸变，它挡住了车位，并不是真正的实际成像，我们回归可以说是一个二维平面（地面）的车位，而3维空间中的汽车被AVM压到了二维成像中，像素分布并不可靠了，学习图像具体的像素不可行，必须让网络学习抽象的几何表征。有点难以解释，让整个车位的信息，压缩到车位角点，即便车位角点实际并不存在，或者车位角点难以区分，如图58所示。车位角点只是一个承载的载体，也可换到图像中任何其他位置，如进入线AB中点，（没试过），设计的时候考虑到了这一点。

3.5 网络架构

这个就很随意了，backbone和detection head，任选，只是输出特征图的大小要特别注意，拿feature_map的分辨率4x12来说，一张128x384的图最多给48个车位预测，实际上没有这么多，只是为了适应车位在图中的分布，需要4x12去适应车位出现在图中的不同位置。我们选择了单阶段的网络设计，直出，就用单分辨率特征图，发现已经把公开数据集ps2.0和PIL_park的AP快刷满了。

3.6 公开数据集上的测试结果

图61 在ps2.0和PIL_park测试集上的结果

ps2.0数据集是同济在2018年发布的，在车位检测极具影响力，但比较简单。PIL_park发布得更晚，文章引用少，但难度足够。

图62 ps2.0数据集图片举例

图63 PIL数据集图片举例

再贴下效果图：

图64 左列是标签，中间是原图，右列是预测

3.7 设计实验

为了模仿实际泊车的AVM成像，比较关键的增强手段就是旋转ratote，然后就是平移shift。

上篇有说，就是汽车在行驶过程中，前行、转向和靠近车位的距离。

输入采用RGB和灰度图均可，灰度图只是为了实际工程应用，但RGB的AP更高。

实验参照一些影响广泛的检测网络设计即可，不是本篇讨论的范围。

但是在设计loss的时候，因为confidence、角点坐标、进入线、分隔线、是否占用，它们的loss量级有差，于是乎，做了对比实验，发现需要给上述的每个单项加系数，使网络更关注角点坐标和进入线，而对是否占用的影响降低。采用了L2-norm。

不采用任何增强手段的粗糙网络在PIL_park的test上也能达到超过90的mAP。方法很重要。

四、总结

还行吧，工程的路还很长，解决算法只是迈出了第一步，坚实的第一步！

审核编辑：郭婷