何俏君，郭繼舜，關(guān)倩儀，鐘 斌，付 穎，谷 俊

（廣州汽車集團(tuán)股份有限公司 汽車工程研究院，廣東 廣州 511434）

隨著近年來(lái)人工智能技術(shù)的蓬勃發(fā)展，關(guān)于智能駕駛技術(shù)的研究在汽車行業(yè)快速興起。其中，自動(dòng)泊車輔助系統(tǒng)（Automatic Parking Assist，APA）受到眾多新興人工智能領(lǐng)域企業(yè)以及傳統(tǒng)汽車制造企業(yè)的廣泛關(guān)注并展開(kāi)了相關(guān)技術(shù)研究。車位識(shí)別作為自動(dòng)泊車系統(tǒng)中的感知環(huán)節(jié)，其準(zhǔn)確性和快速性對(duì)后續(xù)車輛泊車路徑規(guī)劃與控制至關(guān)重要。

目前已有的空閑車位識(shí)別技術(shù)可以分為基于超聲波雷達(dá)探測(cè)，基于視覺(jué)的空閑車位識(shí)別以及超聲波與視覺(jué)相融合3種基本模式。得益于360°環(huán)視成像技術(shù)的成熟發(fā)展，本文提出一種基于環(huán)視圖像的全視覺(jué)空閑車位線識(shí)別方法。在其他學(xué)者既已提出的眾多研究車位線自動(dòng)識(shí)別方法中，可劃分為依據(jù)線檢測(cè)與依據(jù)角點(diǎn)檢測(cè)定位車位兩種基本思路。

文獻(xiàn)［1，2］中結(jié)合環(huán)視圖像邊緣提取與Hough變換檢測(cè)直線實(shí)現(xiàn)車位線定位，除了Hough變換外，文獻(xiàn)［3］使用Line Segment Detector（LSD）檢測(cè)識(shí)別車位線?；谥本€檢測(cè)的車位定位對(duì)部分僅畫(huà)出角點(diǎn)附近車位線的車位適用性不高，且直線檢測(cè)對(duì)圖像噪聲點(diǎn)較為敏感，環(huán)境復(fù)雜的情況下對(duì)檢測(cè)準(zhǔn)確度影響較大?；诮屈c(diǎn)檢測(cè)的思路，Suhr等人［4］提出分層樹(shù)模型以自下而上、自上而下兩種模式搜索定位車位角點(diǎn)完成車位線識(shí)別，但難以滿足實(shí)時(shí)性要求。Lin［5］等提出訓(xùn)練分類器檢測(cè)角點(diǎn)并結(jié)合先驗(yàn)邏輯約束重構(gòu)車位，但僅能用于檢測(cè)角點(diǎn)為直角的車位線。而文獻(xiàn)［6］中提出基于深度學(xué)習(xí)的車位檢測(cè)方法，分別用目標(biāo)檢測(cè)網(wǎng)絡(luò)檢測(cè)角點(diǎn)，并訓(xùn)練另一個(gè)網(wǎng)絡(luò)匹配角點(diǎn)對(duì)模式，結(jié)合模板匹配確定車位擺向。該方法利用了深度學(xué)習(xí)強(qiáng)大的非線性擬合能力，但對(duì)運(yùn)算所需硬件設(shè)備要求較高且角點(diǎn)中心定位準(zhǔn)確程度對(duì)車位擺向影響較大。

以自動(dòng)泊車系統(tǒng)所要求的運(yùn)算資源成本低且實(shí)時(shí)性要求高為出發(fā)點(diǎn)，本文提出一種基于輕量化深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)YOLOv2-Tiny的角點(diǎn)檢測(cè)方法，結(jié)合車位線骨架信息提取，對(duì)網(wǎng)絡(luò)定位角點(diǎn)不精確的問(wèn)題進(jìn)行校正，并進(jìn)一步將概率霍夫變換直線檢測(cè)應(yīng)用于角點(diǎn)區(qū)域骨架上，減少全局噪聲對(duì)直線檢測(cè)精度的影響，最終確定重構(gòu)的車位線，算法流程圖如圖1所示。

1 魚(yú)眼矯正拼接環(huán)視圖像

魚(yú)眼攝像頭成像角度廣，可收集近距離內(nèi)較多視場(chǎng)信息，但魚(yú)眼相機(jī)拍攝圖像時(shí)存在嚴(yán)重畸變，故需預(yù)先對(duì)魚(yú)眼攝像頭進(jìn)行標(biāo)定校正。

圖1 本文車位線識(shí)別算法流程圖

1.1 魚(yú)眼攝像機(jī)模型中的坐標(biāo)系統(tǒng)

世界坐標(biāo)系 （world coordinate system）：用戶定義的三維世界的坐標(biāo)系，為了描述目標(biāo)物體在真實(shí)世界里的位置而被引入。

相機(jī)坐標(biāo)系 （camera coordinate system）：在相機(jī)上建立的坐標(biāo)系，為了從相機(jī)的角度描述物體位置而定義，作為溝通世界坐標(biāo)系和圖像／像素坐標(biāo)系的中間一環(huán)。

像素坐標(biāo)系 （pixel coordinate system）：描述物體成像后的像點(diǎn)在數(shù)字圖像上的坐標(biāo)，是從相機(jī)內(nèi)真正讀取到的信息所在的坐標(biāo)系。

圖像坐標(biāo)系 （image coordinate system）：描述成像過(guò)程中物體從相機(jī)坐標(biāo)系到圖像坐標(biāo)系的投影透射關(guān)系，可進(jìn)一步得到像素坐標(biāo)系下的坐標(biāo)。

標(biāo)定過(guò)程分為兩部分。

第1部分為世界坐標(biāo)系轉(zhuǎn)換為相機(jī)坐標(biāo)系，這一步是三維點(diǎn)到三維點(diǎn)的轉(zhuǎn)換，轉(zhuǎn)換關(guān)系為：

式中：R——3×3的旋轉(zhuǎn)矩陣；t——3×1的平移矢量；（xc，yc，zc，1）T——相機(jī)坐標(biāo)系的齊次坐標(biāo)； （xw，yw，zw，1）T——世界坐標(biāo)系的齊次坐標(biāo)。

第2部分是相機(jī)坐標(biāo)系轉(zhuǎn)換為像素坐標(biāo)系，是三維點(diǎn)轉(zhuǎn)為二維點(diǎn)的過(guò)程。但因像素坐標(biāo)系不利于坐標(biāo)轉(zhuǎn)換，需先建立圖像坐標(biāo)系，由像素坐標(biāo)系轉(zhuǎn)換為圖像坐標(biāo)系：

式中：1／dx，1／dy——分別為沿x軸與y軸方向單位物理尺寸上的像素個(gè)數(shù)；（u，v）——圖像中心點(diǎn)的像素坐標(biāo)。

由相機(jī)針孔成像原理可知，相機(jī)坐標(biāo)系轉(zhuǎn)換為圖像坐標(biāo)系即為透視投影過(guò)程。轉(zhuǎn)換關(guān)系如下：

式中：s——比例因子 （s不為0）；f——有效焦距 （光心到圖像平面的距離）； （x，y，z，1）T——空間點(diǎn)P在相機(jī)坐標(biāo)系OXYZ中的齊次坐標(biāo)； （x，y，1）T——像素點(diǎn)p在圖像坐標(biāo)系OXY中的齊次坐標(biāo)。

通過(guò)將世界坐標(biāo)系上的坐標(biāo)值投影到對(duì)應(yīng)的像素坐標(biāo)系上的像素點(diǎn)，在此過(guò)程中可求解出相機(jī)的內(nèi)外參數(shù)。轉(zhuǎn)換關(guān)系可表示為：

式中，R——3行3列矩陣，稱為旋轉(zhuǎn)矩陣；t——三維列向量，稱為平移向量；M1——相機(jī)內(nèi)部參數(shù)矩陣；M2——相機(jī)外部參數(shù)矩陣。

1.2 魚(yú)眼攝像機(jī)標(biāo)定技術(shù)

為了矯正魚(yú)眼相機(jī)產(chǎn)生的畸變，需先標(biāo)定相機(jī)求出內(nèi)外參數(shù)。相機(jī)標(biāo)定技術(shù)主要分為兩種：相機(jī)的自標(biāo)定法和攝影標(biāo)定法。張正友棋盤(pán)格標(biāo)定法是介于二者之間，接受度較高的方法，既克服了攝影標(biāo)定法需要的高精度三維標(biāo)定物的缺點(diǎn)，又解決了自標(biāo)定法魯棒性差的難題。

張氏標(biāo)定法［7］是一種基于平面棋盤(pán)格的標(biāo)定法，通過(guò)圖像平面與標(biāo)定物棋盤(pán)格平面的坐標(biāo)系映射關(guān)系確定單應(yīng)性矩陣，利用約束條件求解相機(jī)的內(nèi)參數(shù)矩陣并由其估算出相應(yīng)的外參數(shù)矩陣，從而達(dá)到標(biāo)定相機(jī)并矯正的目的。具體流程如下。

1）打印一張棋盤(pán)格，貼在一個(gè)平面上以作為標(biāo)定物。

2）通過(guò)調(diào)整標(biāo)定物或攝像機(jī)的方向，為標(biāo)定物拍攝一些不同方向的照片。

3）從照片中提取棋盤(pán)格角點(diǎn)。

4）估算理想無(wú)畸變的情況下，5個(gè)內(nèi)參和6個(gè)外參。

5）應(yīng)用最小二乘法估算實(shí)際存在徑向畸變下的畸變系數(shù)。

6）極大似然法對(duì)畸變系數(shù)進(jìn)行優(yōu)化估計(jì)，提升估計(jì)精度。

1.3 環(huán)視圖像拼接

多個(gè)魚(yú)眼攝像頭收集到圖像數(shù)據(jù)后需要將其拼接成一幅完整畫(huà)面。本文使用尺度不變特征轉(zhuǎn)換 （SIFT，Scale-invariant Feature Transform）方法匹配2幅圖像相同的特征點(diǎn)，通過(guò)隨機(jī)一致性采樣 （RANSAC，Random Sample Consensus）篩選正確的特征匹配并輸出透視矩陣，利用透視變換完成圖像的拼接，循環(huán)這個(gè)流程迭代所有圖像就可以完成多張圖像的全景圖拼接。

SIFT特征提取分為檢測(cè)特征點(diǎn)，確定特征點(diǎn)的尺度方向，生成特征向量，最后進(jìn)行匹配。首先掃描圖片所有尺度下的所有位置，計(jì)算2個(gè)相鄰的高斯尺度空間差值得到高斯差分空間，高斯差分空間的眾多極值點(diǎn)即為特征點(diǎn)；利用直方圖統(tǒng)計(jì)方法，求出鄰域內(nèi)所有像素點(diǎn)的梯度方向以及幅值，直方圖的峰值所代表的方向即為特征點(diǎn)的主方向；通過(guò)求得特征點(diǎn)的鄰域梯度信息來(lái)計(jì)算特征向量；采用最近鄰方法計(jì)算特征向量的歐氏距離從而匹配特征點(diǎn)。

隨機(jī)一致性采樣算法 （RANSAC）是隨機(jī)采用部分特征匹配坐標(biāo)計(jì)算得到一個(gè)透視矩陣，利用此透視矩陣測(cè)試所有的匹配點(diǎn)，若匹配結(jié)果良好則輸出該透視矩陣，否則換用其他特征匹配坐標(biāo)。該方法的作用是剔除掉不正確的特征匹配結(jié)果，獲得正確的透視矩陣。

透視變換就是將圖像投影到一個(gè)新的視平面上。在全景圖拼接時(shí)，很多圖像會(huì)由于拍攝角度等問(wèn)題出現(xiàn)一些方向上的不同步，需要旋轉(zhuǎn)圖像到相同視角再拼接。而控制旋轉(zhuǎn)變換的方式即是通過(guò)透視矩陣與原圖像的矩陣形式進(jìn)行相乘得到新的圖像矩陣方可進(jìn)行拼接。原視頻與拼接后的圖像對(duì)比如圖2所示。

圖2 原視頻與拼接后的圖像對(duì)比

表1 YOLOv2-Tiny結(jié)構(gòu)組成

2 基于YOLOv2-Tiny的空閑車位與角點(diǎn)檢測(cè)

2.1 YOLOv2-Tiny目標(biāo)識(shí)別

基于darknet框架的YOLO目標(biāo)檢測(cè)模型最早于2016年由Redmon等提出，YOLO通過(guò)網(wǎng)格化分割方式回歸目標(biāo)邊界框同時(shí)預(yù)測(cè)類別，相較于當(dāng)時(shí)表現(xiàn)出色的Faster-RCNN目標(biāo)檢測(cè)模型，YOLO檢測(cè)效率大幅提升，對(duì)實(shí)時(shí)性要求高的目標(biāo)檢測(cè)任務(wù)適用性更好。隨后YOLO模型進(jìn)一步發(fā)展至YOLOv2，其特征提取基于darknet-19實(shí)現(xiàn)，通過(guò)在網(wǎng)絡(luò)中加入了批歸一化，多尺度特征提取，引入固定框 （anchor boxes）取代全連接層進(jìn)行邊界框回歸等改進(jìn)從而優(yōu)化YOLO分類與定位效果，并進(jìn)一步提升檢測(cè)效率。

然而，盡管基于深度網(wǎng)絡(luò)的YOLOv2模型對(duì)運(yùn)算資源硬件要求較SSD、Faster-RCNN等目標(biāo)檢測(cè)模型有所降低，仍難以滿足其在車載嵌入式ECU得以廣泛應(yīng)用所期待的低成本與高效率二者相平衡的要求。因此，針對(duì)全自動(dòng)泊車系統(tǒng)中基于視覺(jué)的空閑車位檢測(cè)任務(wù)的應(yīng)用場(chǎng)景，使用輕量化的YOLOv2-Tiny模型適應(yīng)車載嵌入式ECU算力低且檢測(cè)任務(wù)實(shí)時(shí)性要求高的特點(diǎn)。YOLOv2-Tiny的網(wǎng)絡(luò)結(jié)構(gòu)共包含9個(gè)卷積層，6個(gè)池化層，具體每層卷積核大小和數(shù)量如表1所示。

2.2 空閑車位區(qū)域與車位線角點(diǎn)識(shí)別

本文基于YOLOv2-Tiny模型對(duì)空閑車位區(qū)域以及角點(diǎn)進(jìn)行識(shí)別，其中角點(diǎn)類型分為T(mén)型角點(diǎn) （圖3a）與L型角點(diǎn)兩種（圖3b），共3種目標(biāo)類型。

圖3 兩種角點(diǎn)類型

2.3 網(wǎng)絡(luò)訓(xùn)練

實(shí)驗(yàn)中網(wǎng)絡(luò)訓(xùn)練部分基于Darknet框架在Ubuntu 16.04 LTS系統(tǒng)，中央處理器為主頻2.10GHz的Intel Xeon E5-2683 v4，GPU為T(mén)ITAN X配置下實(shí)現(xiàn)。采用文獻(xiàn)［6］中提供的不同天氣狀況，不同室內(nèi)外環(huán)境，不同光照方向與光照強(qiáng)度下采集的公開(kāi)數(shù)據(jù)集進(jìn)行訓(xùn)練與測(cè)試。數(shù)據(jù)集包含共10000張環(huán)視車位圖像，其中8000張作為訓(xùn)練樣本，其余作為測(cè)試樣本。YOLOv2-Tiny網(wǎng)絡(luò)訓(xùn)練超參數(shù)設(shè)置如下：批次大小為16，迭代次數(shù)為10000，學(xué)習(xí)率為0.001。

2.4 識(shí)別精度與效果

利用訓(xùn)練好的網(wǎng)絡(luò)權(quán)重在Ubuntu 16.04 LTS系統(tǒng)，中央處理器為主頻2.80GHz的Intel Core i7-7700HQ，GPU為NVIDIA Quadro M1200配置下實(shí)現(xiàn)對(duì)2000張測(cè)試樣本圖進(jìn)行測(cè)試，得到空閑車位區(qū)域與兩種角點(diǎn)識(shí)別準(zhǔn)確率如表2所示。從表中可以看出，訓(xùn)練后的YOLOv2網(wǎng)絡(luò)對(duì)空閑車位檢測(cè)效果十分理想，兩種類型角點(diǎn)的檢測(cè)精度較高，其輕量化結(jié)構(gòu)使其檢測(cè)效率大大提高，能滿足自動(dòng)泊車系統(tǒng)的實(shí)時(shí)性要求。

表2 YOLOv2-Tiny識(shí)別精度

訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試圖片檢測(cè)結(jié)果如圖4所示，從圖4可看出網(wǎng)絡(luò)能正確定位空閑車位區(qū)域，并識(shí)別出角點(diǎn)類型與位置，根據(jù)角點(diǎn)塊中心與車位區(qū)域間的相對(duì)位置可篩選出每個(gè)車位區(qū)域內(nèi)的角點(diǎn)，后續(xù)根據(jù)角點(diǎn)位置重構(gòu)實(shí)際車位線。

圖4 空閑車位與角點(diǎn)識(shí)別效果

3 基于角點(diǎn)塊骨架提取的角點(diǎn)中心校正

第2章中訓(xùn)練好的YOLOv2-Tiny網(wǎng)絡(luò)能基本定位角點(diǎn)塊區(qū)域，理想狀態(tài)下角點(diǎn)塊區(qū)域中心像素點(diǎn)坐標(biāo)為實(shí)際角點(diǎn)坐標(biāo)，但由于YOLOv2-Tiny較于其他深度網(wǎng)絡(luò)輕量化的特性，其對(duì)角點(diǎn)中心的定位精度有所降低。環(huán)視圖像中具有一定寬度的車位線在圖像上往往對(duì)應(yīng)覆蓋多個(gè)像素點(diǎn)范圍，準(zhǔn)確意義上的角點(diǎn)中心為2條線各自覆蓋的像素點(diǎn)區(qū)域中心軸相交的交點(diǎn)。圖像骨架提取指的正是相連通的像素點(diǎn)區(qū)域細(xì)化至單位像素寬度的過(guò)程，對(duì)于線狀輪廓而言，經(jīng)過(guò)骨架提取后可得到單位寬度的中軸線，2條中軸線的交點(diǎn)即為實(shí)際角點(diǎn)中心。

3.1 角點(diǎn)校正預(yù)處理

對(duì)圖像進(jìn)行骨架提取前需要對(duì)原始角點(diǎn)區(qū)域圖像進(jìn)行灰度化和自適應(yīng)閾值二值化。各步驟處理角點(diǎn)圖像效果如圖5所示。

圖5 各步驟處理角點(diǎn)圖像效果

3.2 角點(diǎn)骨架提取

本文使用Zhang［8］提出的經(jīng)典快速并行圖像細(xì)化算法對(duì)識(shí)別出的車位角點(diǎn)塊進(jìn)行骨架提取，該算法迭代逐次消除角點(diǎn)框內(nèi)直線的邊緣像素點(diǎn)，將每個(gè)像素點(diǎn)的相鄰像素點(diǎn)分布編號(hào)為如圖6所示順序，每輪消除滿足以下 1）～3）3個(gè)條件的像素點(diǎn)，直到?jīng)]有新的像素點(diǎn)被消除停止迭代。

快速并行細(xì)化算法刪除點(diǎn)條件如下所述。

1）與中心像素點(diǎn)相鄰的8個(gè)像素點(diǎn)之和滿足式 （5）。

圖6 相鄰像素點(diǎn)編號(hào)序列

2）順時(shí)針遍歷P2～P9，像素點(diǎn)從0變成1的總次數(shù)等于1，即滿足式 （6）。

3）奇數(shù)輪迭代滿足：

偶數(shù)輪迭代滿足：

使用快速并行細(xì)化算法對(duì)角點(diǎn)提取骨架后的結(jié)果如圖5e所示。

3.3 概率霍夫變換檢測(cè)直線得到交點(diǎn)坐標(biāo)

標(biāo)準(zhǔn)霍夫變換建立了二維空間（x，y）與參數(shù)空間（ρ，θ）間的投影變換，二維空間中的直線對(duì)應(yīng)參數(shù)空間中的某個(gè)點(diǎn)（ρ0，θ0），因此二維空間直線上的所有點(diǎn)變換后都對(duì)應(yīng)經(jīng)過(guò)該點(diǎn) （ρ0，θ0），由此可將直線檢測(cè)轉(zhuǎn)化為參數(shù)空間的高頻點(diǎn)檢測(cè)，霍夫變換中兩個(gè)空間的關(guān)系滿足式 （9）：

標(biāo)準(zhǔn)霍夫變換可用于直線檢測(cè)，在此基礎(chǔ)上，概率霍夫變換把圖像邊緣點(diǎn)投影至參數(shù)空間并累積至滿足設(shè)定閾值后終止，較標(biāo)準(zhǔn)霍夫變換效率更高，可有效檢測(cè)線段，對(duì)本文識(shí)別任務(wù)更為適用。利用概率霍夫變換可以得到角點(diǎn)骨架線段，并進(jìn)一步通過(guò)線段起始點(diǎn)和終點(diǎn)相對(duì)位置確定不完整顯示車位的擺向。

基于細(xì)化后的角點(diǎn)骨架，利用概率霍夫變換檢測(cè)線段的結(jié)果如圖5f所示。通過(guò)篩選可以得到通過(guò)2條有效線段的2個(gè)端點(diǎn) （xs，ys）， （xd，yd），根據(jù)2個(gè)端點(diǎn)相對(duì)位置可以確定2條車位線的斜率k1，k2（式 （10）） 以及式 （11） 所示直線表達(dá)式，進(jìn)一步聯(lián)立兩個(gè)表達(dá)式可以求得式 （12）所示交點(diǎn)c=（xc，yc），即校正后的角點(diǎn)中心坐標(biāo)。圖7為經(jīng)過(guò)角點(diǎn)校正后識(shí)別出的環(huán)視圖像車位角點(diǎn)標(biāo)記。

圖7 角點(diǎn)中心校正前后對(duì)比

4 車位線重構(gòu)

由3.3節(jié)中計(jì)算的校正后角點(diǎn)位置和斜率可分不同情況對(duì)實(shí)際車位線進(jìn)行重構(gòu)，對(duì)于不完整顯示的車位需要識(shí)別出2個(gè)有效角點(diǎn)方可進(jìn)行實(shí)際車位重構(gòu)，具體可劃分為如下3種情況。

1）識(shí)別出的角點(diǎn)個(gè)數(shù)等于4。根據(jù)4個(gè)角點(diǎn)中心位置，兩兩計(jì)算其連線的斜率，與每個(gè)角點(diǎn)對(duì)應(yīng)2條車位線的斜率k1，k2相比較，將在誤差允許范圍內(nèi)連線斜率與k1，k2二者之一相等的2個(gè)角點(diǎn)相連，4點(diǎn)相連可得實(shí)際車位。

2）識(shí)別出的角點(diǎn)個(gè)數(shù)等于3。根據(jù)車位線對(duì)邊平行的特性可以計(jì)算出第4個(gè)車位角點(diǎn)坐標(biāo)，得到4點(diǎn)坐標(biāo)后對(duì)應(yīng)情況1）實(shí)現(xiàn)車位線重構(gòu)。

3）識(shí)別出的角點(diǎn)個(gè)數(shù)等于2。此時(shí)為車位不完整顯示于環(huán)視圖像中的情況，識(shí)別出的2個(gè)角點(diǎn)為同側(cè)角點(diǎn)，計(jì)算2個(gè)角點(diǎn)中心連線的斜率km與檢測(cè)得到的各自對(duì)應(yīng)的車位線斜率k1，k2相比較，相差較大者分別為2個(gè)角點(diǎn)另一端不完整車位線的斜率ks。以單條車位線為例，沿其斜率方向延伸可以與環(huán)視圖像邊界交于兩點(diǎn)p1，p2，以角點(diǎn)中心c為起點(diǎn)，與圖像邊界角點(diǎn)為終點(diǎn)可以得到2個(gè)向量，。該角點(diǎn)骨架經(jīng)過(guò)概率霍夫變換后可以得到的對(duì)應(yīng)斜率kn的線段2個(gè)端點(diǎn)sn，dn，以離角點(diǎn)中心c較接近的端點(diǎn)為起始點(diǎn)s，較遠(yuǎn)點(diǎn)為終點(diǎn)d，可得到車位擺向向量，分別對(duì)計(jì)算與的內(nèi)積，滿足式 （13）的向量c為同向，對(duì)應(yīng)點(diǎn)p*為有效交點(diǎn)。

車位線重構(gòu)效果如圖8所示，藍(lán)色線段為重構(gòu)的車位線。

5 結(jié)束語(yǔ)

圖8 車位線重構(gòu)效果圖

針對(duì)自動(dòng)泊車系統(tǒng)中實(shí)時(shí)檢測(cè)空閑車位這一實(shí)際任務(wù)，本文提出了一種使用輕量網(wǎng)絡(luò)YOLOv2-Tiny進(jìn)行角點(diǎn)檢測(cè)的算法，并基于角點(diǎn)檢測(cè)結(jié)果結(jié)合骨架提取與概率霍夫變換進(jìn)行角點(diǎn)中心校正。角點(diǎn)校正一方面可以彌補(bǔ)使用輕量化網(wǎng)絡(luò)帶來(lái)的角點(diǎn)定位偏差問(wèn)題，另一方面基于角點(diǎn)塊區(qū)域檢測(cè)直線可以減輕全局環(huán)境噪聲對(duì)直線檢測(cè)精度的影響，且可檢測(cè)角度多變的不同類型車位。通過(guò)實(shí)驗(yàn)結(jié)果證明本文所提出的車位線識(shí)別算法效果良好，且輕量化網(wǎng)絡(luò)檢測(cè)效率高，可滿足自動(dòng)泊車系統(tǒng)實(shí)時(shí)性要求。