随着我国社会经济的迅速发展,机动车数量增多,停车需求也迅速增加,但是目前的停车管理系统还存在很多局限性,如:智能化程度不够、效率低下、适用的停车环境不够广泛等。例如目前大量应用的车牌识别,首先它对于大角度复杂场景下的检测有困难,其次只适用于具有标准设备的停车场出入口的检测,不能应用于路边停车的检测。当下深度学习发展迅速,在多行业发挥了重要作用并取得了显著进步,在停车管理领域也有应用。目前车辆检测主要是利用的目标检测算法。在大角度情况下,车辆边界框之间重叠部分较多,框内特征不能准确代表车辆特征。目前常用的目标检测算法主要提取框内特征,不适合大角度情况下的车辆识别。为了解决该问题,本文设计了新的目标检测算法,以下是本文的主要内容:1.本文详细分析了几种经典的目标检测算法的基本思想及算法特点,回顾了目标检测算法的发展历程。介绍了几种常用的基于深度学习的目标检测算法,包括Anchor-based类的R-CNN系列、YOLO系列以及Anchor-free类的Corner Net、Center Net等,并且分析了每种算法的优缺点。2.针对大角度复杂情况下的车辆检测问题,分析了现有目标检测算法的不足。大角度情况下,车辆边界框内的特征较复杂,既包含了部分其他车辆特征,又包含了大量的背景特征。Anchor-based类目标检测算法主要提取目标边界框内的图像特征,此类方法学习的目标特征不适合大角度车辆检测;Anchor-free类中的Center Net算法关注于目标中心点特征,适合大角度车辆检测,但是其中对于边界框宽高值的预测不够精确,有改进空间。两大类目标检测算法均有不足之处,本文结合大角度车辆检测问题的特性,在经典算法YOLO和Center Net的基础上设计了目标检测算法LAVD(Large Angle Vehicle Detection)。该算法首先以Center Net算法对目标中心点的检测为基础,使得算法更关注于中心区域特征的提取,适合大角度车辆边界框重叠面积大的问题,其次加入了YOLO算法中的锚点思想以解决Anchor-free类算法固有的重叠目标漏检问题,并且为了检测到更为精确的宽高值,本文利用锚点框来检测目标边界框的宽高偏移值,不同于Center Net直接通过神经网络计算获得宽高值的检测方式。3.本文针对大角度复杂场景的车辆检测制作了相应的数据集,该数据集包含了不同角度、不同背景、不同程度遮挡等等情况下的停车图像,共计1617张。在该数据集和目标检测算法标准数据集Pascal VOC上复现了YOLOv3和Center Net算法模型,并与本文提出的针对大角度车辆检测的目标检测算法LAVD进行了对比实验。实验结果表明,我们的方法对于大角度情况下的车辆检测有更好的效果,并且在标准数据集上也有较好的检测准确率。网络能够实现实时的大角度车辆检测,并且具有一定的泛化能力。