(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210211299.X (22)申请日 2022.03.05 (71)申请人 华东理工大 学 地址 200237 上海市徐汇区梅陇路13 0号 (72)发明人 陈志华　嵇恒铭　周宇　王子涵　 张景轩　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/70(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于语义特征注意力融合的划线停车 位检测方法 (57)摘要 本发明涉及视频图像处理技术领域， 提供了 一种基于语义特征注意力融合的划线停车位检 测方法， 所述方法包括步骤： a.使用主干网络提 取停车位图像的初始特征信息； b.使用特征注意 融合模块对初始特性信息进行特征融合， 得到融 合特征； c.在融合特征上使用候选区域生成 网络 (RPN)生成候选区域特征； d.使用目标检测器对 候选区域进行检测， 直接得到图像中划线停车位 目标的四个角点坐标信息。 本发 明实施例提供的 基于语义特征注意力融合的划线停车位检测方 法可以有效地提高划线停车位检测的平均精度 并具有较高的鲁棒 性。 权利要求书2页 说明书4页 附图2页 CN 114764785 A 2022.07.19 CN 114764785 A 1.一种基于语义特 征注意力融合的划线停车位检测方法， 其特 征在于， 包括以下步骤： 步骤S1： 提供待检测的划线停车位图像， 并对所述的划线停车位图像进行主干网络特 征提取， 获取相应的映射特 征。 步骤S2： 搭建语义特征注意力 融合网络模块， 所述网络模块包括全局平均池化层和卷 积层； 将S1得到映射特 征输入到语义特 征注意力融合网络模块中， 得到融合特 征。 步骤S3： 搭建RPN网络层和ROI层， 所述RPN网络包含分类模块和回归模块； 将S2中得到 的融合特征输入到RPN网络中， 得到初步的候选区域框， 使用ROI层将候选区域框和S2 中的 融合特征映射为候选区域特 征。 步骤S4： 搭建目标检测器， 所述目标检测器包括全连接层和预测头； 将S3中得到的候选 区域特征输入到目标检测器中， 得到划线停车位检测结果， 结果的形式为图像中划线停车 位目标的四个角点 坐标值。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤S1使用ResNet101网络和特征金 字塔结构提取图像的多层残差映射特 征， 并用R 1‑Conv1～5表示。 3.根据权利要求1所述的方法， 其特征在于， 所述步骤S2的语义特征注意力融合模块在 整个划线停车位检测网络中共有4个， 每个语义特征注意力融合模块有两个输入， 其中一个 输入是R1‑Conv‑5， 另外一个输入在四个 语义特征注意力融合模块中分别为R 1‑Conv‑1～4。 4.根据权利要求3所述的方法， 其特征在于， 所述的语义特征注意力融合模块由卷积 层， 全局平均池化和激活函数组成， 可以表示 为： 其中 上述公式中Y即R1 ‑Conv‑5， X在四个语义特征注意力融合模块中分别为R1 ‑Conv‑1～4， Z是语义特征注意力融合模块中的输出特征， σ1是Sigmoid激活函数， σ2是ReLU激活函数， 表示矩阵中对应元素直接相乘， 表示矩阵相加， 表示为卷积操作， 其中卷积核 的 大小为3×3， 通道数从c变为c/r， 同样也表示为卷积操作， 并且卷积核大小为1 ×1， 通道数从c /r变为c， AvgPo ol表示为全局平均池化。 5.根据权利要求1所述的方法， 其特征在于， 所述步骤S4中目标检测器的预测头 中直接 输出与图像中划线停车位四个车位角点相关的参数， 经过转化之后， 可以直接得到四个车 位角点的坐标值。 6.根据权利要求5所述的方法， 其特征在于， 所述的预测头的输出参数为 x,y,w,h, α1, α2, α3, α4， 其中x,y是矩形框的中心点， w,h分别是矩形框的宽和高， 通过以上四个参数x,y,w,h可 以得到预测矩形框的四个顶点， 设矩形框的四个顶点分别a,b,c,d， 四个顶点a,b,c,d的坐标 可以分别表示为 权　利　要　求　书 1/2 页 2 CN 114764785 A 2设矩形框的中心点为O， 则划线停车位线 四个顶点a,b,c,d与中心点O连线的角度值分别为 α1, α2, α3, α4。权　利　要　求　书 2/2 页 3 CN 114764785 A 3