基于全景環視的端到端停車位檢測方法

秦曉輝 ，殷周平 ，張素英 ，黃圣杰 ，張潤邦 ，蘆濤 ，劉碩 ，胡滿江 ，2

（1.湖南大學 機械與運載工程學院，湖南 長沙 410082；2.湖南大學 無錫智能控制研究院，江蘇 無錫 214072；3.濰柴動力股份有限公司 發動機研究院，山東 濰坊 261061）

自主泊車技術能夠通過傳感器探測視野盲區，利用算法精準且穩定地控制車輛安全泊入目標車位，逐漸受消費者喜愛.停車位檢測技術能夠給車輛持續提供周邊停車位的位置信息，是自主泊車系統中關鍵的一環.目前，學者們將許多成熟的目標檢測方案應用于停車位檢測領域，這些方案通常將停車位檢測分為三個步驟.

1）入口點檢測：不作區分地檢測出圖片中所有停車位的入口點；

2）入口點匹配：通過人工設置的規則將屬于同一個停車位的入口點進行配對；

3）類別和方向判斷：判斷停車位的類別（平行、垂直、傾斜）以及停車位的朝向角度.

通過上述三個步驟，可以檢測出圖片中停車位的位置信息.如果要獲得停車位的占用信息，則通常需要再額外增加一個分類模型，將檢測出的停車位從原圖中截取出來送入停車位分類模型作空閑占用分類.

Li 等［1］采用PSDL方法構建了4 個停車位入口點圖案AdaBoost 分類器，每個分類器負責一定朝向角度范圍的停車位入口點圖案判斷，將圖片劃分成多個入口點圖案大小的區塊送入分類器網絡中，獲得停車位入口點的位置，使用人工設計的距離約束篩選出能夠組成進入線的入口點，再使用六個高斯直線模板匹配查詢出進入線代表的車位的類別和朝向.DeepPS 方法［2］采用單階段目標檢測網絡YOLO V2［3］作為入口點檢測網絡，將檢測到的入口點提取出來進行基于人工規則的匹配之后，從圖片中截取出來送入AlexNet［4］分類網絡中以判斷停車位的類別和方向信息.VPS-Net［5］則對此進行改進，使用單階段錨框檢測網絡YOLO V3［6］檢測入口點的同時也對停車位頭的軸平行外接矩形框一起進行檢測，并將位于一個停車位頭的入口點進行匹配，最后采用計算交并比的方式進行朝向判斷.后續DeepPS 的作者再對方案進行改進［7］，采用點向量描述子代替軸平行矩形描述子對入口點進行建模，同時將類別朝向判斷由之前的AlexNet 網絡改為人工設計的模板匹配法.同樣是對入口點描述子進行改進，Wu 等［8］提出PSDet方案，使用圓形描述子配合卷積神經網絡搭建了一個粗略到精修的方案對入口點進行檢測.呂雪杰［9］將DeepPS 方案中的入口點檢測方案由YOLO V2 換成YOLO V3，并使用Focal Loss［10］緩解正負樣本不平衡問題.Li 等［11］將停車位檢測分為駕駛過程和泊車過程，第一過程使用VPS-Net 停車位檢測網絡，第二過程使用DMPR-PS停車位檢測網絡.

上述方法以不同的方式將目標檢測方法引入停車位檢測任務中，取得一定成效，但是仍然存在以下問題：

1）入口點檢測、入口點匹配、類別朝向分類和空閑占用分類模塊單獨設計，提取的特征存在冗余信息，且簡單結合各個模塊時效性低；

2）將兩個入口點看成獨立的目標進行特征提取，沒有利用二者之間的關聯性；

3）需要垂直和水平停車位之間的入口點距離范圍先驗信息；

4）需要入口點形狀先驗信息；

5）將水平線和分隔線之間的夾角回歸問題當作分類問題處理，且需要特定的夾角先驗信息；

6）人工設計的入口點匹配方案時效性低、泛化性差；

7）目標檢測方案選擇不合理，矩形框并不適合描述各種旋轉角度以及形狀的停車位入口點，點向量模型匹配復雜度高，且適應性差.

在獲取這些先驗信息時，做了大量假設，包括：垂直停車位和水平停車位之間的距離在特定范圍內，進入線和分隔線之間的夾角只包含一些特定的角度，入口點的形狀只包含T 形狀或者L 形狀.這些假設的來源都是基于對數據集的統計，當數據集中停車位信息變化時，就需要重新人工設計建模和匹配策略，泛化性很低.

針對上述這些問題，本文提出了從停車位建模出發，采用一個箭頭來表達停車位，并以無錨框的方式設計端到端的停車位檢測方案.

1 模型設計

本文的目標是設計端到端的無錨框停車位檢測網絡，以此簡化停車位檢測流程，消除各階段之間的特征冗余以及人工設計模塊，提升模型的時效性和泛化性.本文設計的網絡框架如圖1 和式（1）所示，包含停車位的圖片輸入到由四個階段組成的主干網絡中進行特征提取，通過瓶頸網絡對后三個階段的輸出進行多進單出的融合之后，輸出單尺度特征Fh∈R(h，w，c)至檢測頭，檢測頭通過回歸分支Hf和分類分支Hc進行域轉換，得出特征中編碼的停車位回歸信息Rr和分類信息Rc.本節后續將依次介紹模型的主干網絡、瓶頸網絡、檢測頭的設計.

1.1 主干網絡

主干網絡負責對原始圖片的特征提取，這些特征需要包含停車位的全局信息，即朝向、占用以及局部信息（入口點位置）；瓶頸網絡則負責不同層次的特征融合，得到包含停車位全局信息和局部信息的特征圖.

本文采用跨越階段部分DarkNet53（Cross Stage Partial DarkNet53，CSP-DarkNet53）作為主干網絡，該網絡在DarkNet 的基礎上增加了部分跨越層級連接.DarkNet 參考了ResNet 的殘差結構和批標準化結構.

CSPNet［12］將特征圖進行分流，能夠在保留特征復用的同時避免很多重復梯度信息，并實現豐富的梯度信息融合，使用CSP 結構對DarkNet進行改進之后就得到了本文完整的主干網絡.該結構由一個基干模塊和四個階段組成.基干模塊采用Focus 結構，旨在通過切片對圖像進行下采樣操作，相比于傳統的下采樣操作，Focus 模塊能夠將原始圖片的寬高信息無損地集成到通道維度，并通過卷積進行進一步特征提取.階段模塊則由卷積模塊和CSP 模塊構成，如圖2 所示，其中包含Conv 字樣的子模塊都是由卷積、批標準化和Swish 激活函數構成，而區塊則是由兩個卷積模塊構成的殘差模塊，C 代表通道維度的拼接.由此可見，每個階段都是由小殘差結構堆疊出的大殘差結構，且最后一個階段的第一個Conv 模塊之后會額外通過SPP模塊進一步集成全局信息.

圖2 CSP-DarkNet53模塊結構Fig.2 Architecture of CSP-DarkNet53 Module

1.2 瓶頸網絡

卷積層的感受野是逐層增加的，下采樣次數越多，語義信息覆蓋面越廣，位置信息丟失也越嚴重.為了兼顧語義信息和位置信息，本文設計的瓶頸網絡對感受野大的深層特征和感受野小的淺層特征進行融合，結構如圖1 中瓶頸網絡所示.參與融合的特征層來自主干網絡中三個階段的輸出，對應原圖的下采樣倍率分別為8、16、32.下采樣倍率越高，特征圖分辨率越低、感受野越高、全局信息越豐富、輸出的停車位數量越少，反之倍率越低，特征圖分辨率越高、感受野越低、局部信息越豐富、輸出的停車位數量越多.

檢測網絡輸出的車位數量與網絡反向傳播時攜帶的信息量息息相關.如式（2）所示，反向傳播時計算的損失由正樣本損失和負樣本損失組成.正樣本需要計算包括位置回歸、類別分類和置信度等多個損失，而負樣本只需計算置信度損失，當負樣本數量NN遠大于NP時，正樣本的損失則可以忽略不計.

以608 圖片輸入為例，最終輸出的車位數量為：7 581=(608/8)2+(608/16)2+(608/32)2，結合每個車位的預測參數數量可以得出網絡需要輸出68 229=7 581 × 9 個預測值.假設一張圖片中有10 個停車位，那么采用1 對1 的標簽分配時會產生7 501 個負樣本，10 個正樣本.對于正樣本，需要約束其回歸位置的準確度、類別的準確度等共計9 個預測值，而對于負樣本只能約束其前背景概率一個預測值.也就是說訓練一張具有10 個停車位的圖片，網絡輸出的68 229 個預測值中，只有7 591=68 229 ÷ 10 × 9 +68 229 ÷ 7 501 × 1 個預測值會參與損失計算，只占總輸出值的11%，這會使得訓練進程十分緩慢.且 7 591 個參與損失計算的預測值中，只有6 個是回歸值，這也會使得分類和回歸分支的訓練進程十分不平衡.為了緩解這種不平衡和緩慢的問題，本文設計的瓶頸網絡將三個階段的輸出進行不同程度的下采樣之后融合為32 倍下采樣率的特征圖，大大減少網絡輸出的停車位數量以及負樣本數量，為后續設計端到端的模型提供保障.不同階段的輸出結果的感受野不同，將感受野大的特征層和感受野小的特征層直接在通道維度進行拼接，會使得最終得到的特征層在通道層面感受野混疊.所以本文在融合不同階段之間的特征時，先通過注意力機制對它們的感受野進行調整，使得輸出特征層在通道層面的感受野保持一致.

本文使用ContextBlock 模塊［13］對主干網絡各個階段的特征輸出進行感受野對齊，該模塊采用transformer［14］和SENet［15］的思想對特征進行注意力機制融合，ContextBlock 模塊結構見圖3.通過核大小為1的卷積集成所有輸入通道維度的信息，再通過歸一化指數函數獲得全局的注意力權重，將權重施加在輸入特征層上，便獲得了全局信息，使用殘差結構將全局信息和原特征圖進行相加，得到最終對齊感受野的特征圖.

圖3 ContextBlock結構圖Fig.3 Architecture of ContextBlock

1.3 檢測頭

在將網絡提取的特征轉換為任務所需的結果時，檢測頭起到了至關重要的作用.本文設計的一階段停車位檢測方案需要預測建模為箭頭的停車位進入線的首尾坐標、停車位的朝向角度，其中坐標需要預測左點和右點的坐標，既包含回歸任務也包含分類任務.具體來講，定位任務和分類任務所需要的特征是不一樣的，分類往往關注目標物突出的部分，而定位則關注目標物的邊緣［16］，如果不加區別地對這兩個任務使用同一特征，會出現定位很準確的框分類分數偏低的現象［17］.在分類分支，本文使用全連接層對目標物進行特征歸納，全連接層對每個區域使用不同的權重，使得它的空間敏感性更強，更能夠區分目標物的局部以及整體.在定位分支則采用滑動窗口設計的卷積層對物體的邊界進行定位.

本文設計的二階段方案檢測頭結構如圖1 中檢測頭所示，檢測頭模塊包含了兩個卷積子模塊（Conv head），分別負責回歸進入線的位置以及停車位相關的角度正弦和余弦值，兩個全連接子模塊（FC head）分別負責預測停車位是否被占用以及位置精準度.

本文采用回歸的方式代替主流方案中的分類模塊，以獲得準確的停車位進入線和分隔線的夾角預測值.樣本中離散角度值數量小，所以本文設計方案不直接回歸進入線和分隔線的夾角，而是回歸分隔線相對X 軸正向的旋轉角度，這種回歸方式的樣本數量不再受到停車位的樣式影響，而是取決于停車位整體在圖像中的朝向角度，且通過旋轉數據增強方法可以很方便地擴充樣本數量.直接預測范圍在0～360°的角度，值域過大，收斂難度大，本文選擇對角度的正弦值和余弦值進行預測，將范圍由0～360縮減到0～1，最終通過正弦值和余弦值組合計算出角度的真實值.

檢測頭輸出值的完整解碼過程見式（3），其中(xp，yp，lp，θp1，p2，p3)是網絡的輸出結果，wG和hG是預測特征所在特征層的寬度和高度下采樣倍數，也即每個網格的實際像素寬度和高度，xG和yG則是網格點左上角的實際像素坐標，使用范圍在0～1 的sigmoid函數，配合網格左上角點位置和網格寬高即可將cx和cy的預測結果控制在該網格點內.解碼之后可以獲得停車位進入線中點的坐標、進入線的長度、進入線偏轉角的cos 值，停車位朝向角度的cos 值和sin值.

至此，上述檢測頭能夠根據每個錨點預測一個代表停車位進入線的箭頭，共計19 × 19=361 個箭頭，后處理篩選過程必不可少.而后處理篩選需要一個能夠評判進入線質量的依據，如果直接將類別分數作為箭頭預測的準度，會使得一些位置精準但是類別分數低的箭頭被過濾掉［17］.為了保留位置精準的箭頭，本文額外設計了一個分支，對箭頭與真值的歸一化距離進行預測，以此代表箭頭的精準度，該距離越接近0，箭頭預測越精準，在后處理篩選時重要性排序越高.

2 試 驗

2.1 試驗準備

本文試驗用到的硬件平臺為配備12 G顯存的英偉達泰坦X 顯卡的塔式服務器，軟件主要包括 Pytorch、CUDA、CUDNN 等深度 學習開 發庫以 及OpenCV圖像處理庫，具體版本號見表1.

表1 試驗配置Tab.1 Configs of the experiment

數據集采用同濟大學公開的ps2.0 停車位檢測數據集，該數據集由AVM 環視影像系統采集，包含訓練集圖片9 827張、測試集圖片2 338張，其中測試集又分為室內、室外正常光照、室外雨天、室外陰天、室外傾斜車位、室外街道光照6 個場景，每張環視圖片分辨率為600×600 像素，代表10 m×10 m 的物理長度范圍.主流的停車位檢測方案在評價算法性能時通常單獨計算精確率和召回率，沒有考慮平均精確率，且判斷正負樣本的閾值過大導致正樣本仍然存在較大誤差.本文重新設計停車位檢測算法的平均精確率評價指標AP1：5，據此對各類算法在公開數據集上重新測評.AP1：5 是指分別以1～5 的5 個像素值作為正負樣本判斷的距離閾值，當檢測結果的左點和右點均滿足這個閾值時，認定檢測結果為正樣本，再求出最終的平均AP，得到AP1：5.

2.2 主干網絡試驗

本文采用上述試驗配置，驗證停車位檢測算法的性能.首先對主干網絡進行試驗，使用一些常用的主干網絡構建停車位檢測網絡，進行訓練之后在ps2.0 數據集上測試其性能.試驗結果見表2，其中ResNet50 由He 等［18］于2016 年提出，在網絡結構設計中引入殘差結構應對退化問題，此后被許多不同領域的算法作為主干網絡使用.hourglass［19］由多個包含了上采樣、下采樣、跳層連接的沙漏模塊組成，反復的上采樣再下采樣，使其能夠捕獲特征之間的關聯性，因而常被用于關鍵點檢測任務中，而本文設計的停車位檢測方案也包含兩個入口點之間關聯信息的提取，所以該主干網絡也被選為對比網絡之一.表2 中，P（Precision）表示精確率，R（Recall）表示召回率，FPS（Frames Per Second）表示每秒幀數.

表2 主干網絡試驗結果Tab.2 Results of backbone

網絡設計時需要考慮的往往有三個因素：寬度、深度和基數，式（4）表示的是一個卷積層，該卷積層由C 路分支卷積結構Convs 構成，最終該卷積層的輸出是C 路分支之和，其中C就是基數.基數反映的是網絡正向傳播時特征層的結合以及反向傳播時梯度的結合.

本文所使用的CSP-DarkNet53 相比于ResNet 豐富了特征和梯度的融合.停車位檢測任務中，網絡最需要關注的是車位線的特征，而這些特征都是單一的顏色，且形狀相對固定，所以在前向傳播時會存在大量的特征冗余.CSP-DarkNet53 結構（見圖2）的外部殘差和內部殘差相結合，增加了冗余特征的復用，使得后續層無需學習冗余的特征.同時這種基數的增加能夠給網絡提供隱式的正則化深度監督，因為每個小殘差首尾都會通過大殘差相連來縮短損失傳遞距離.所以相比ResNet50，CSP-DarkNet53 能夠在將參數縮小至35.89%的同時，在停車位檢測任務上取得更好的效果.

hourglass 反復的堆疊沙漏結構大大增加了網絡的參數量，其網絡結構設計的原理在于通過反復的上下采樣融合定位和語義信息，這和本文設計的瓶頸網絡結構相沖突，所以速度降低的同時在精度方面并沒有取得優勢.

2.3 瓶頸網絡試驗

瓶頸網絡模塊是不同層級特征融合的關鍵部分，本文在停車位檢測網絡中使用不同的瓶頸網絡進行試驗.FPN［20］以主干網絡的最后三個階段的輸出特征層為輸入，將深層的語義信息融合到淺層，輸出三個不同尺寸的特征圖.PAN［21］在FPN 的基礎上額外增加了從淺層到深層的定位信息與語義信息的融合.MergeFPN 是本文提出的特征融合方案.試驗結果見表3.

表3 瓶頸網絡試驗結果Tab.3 Results of neck

由表3可知，FPN和PAN的AP1：5精度和速度在本文的停車位檢測框架上表現并不理想.本文輸入的維度為（3，600，600），進行reshape 之后變為（3，608，608）的圖片輸入主干網絡，輸出主干網絡最后三個階段的特征圖，并以該尺度劃分網格進行錨點預測，FPN 和PAN 劃分的錨點數量為：7 581=19 × 19 +38 × 38+76 × 76，圖4對38 × 38的網格劃分進行可視化，網絡會在每個網格內預測一個錨點偏移.

圖4 預測密度Fig.4 Density of predictions

FPN 和PAN 在停車位檢測任務上表現欠佳的原因可以歸納為：

1）網絡使用1 對1 的標簽分配，一張圖片中 7 000 多個預測結果，只有5 個以內的預測結果需要計算位置損失.

2）預測的錨點放置太密集，如圖4 所示，即使是網絡隨機輸出位置偏移，也會有比較準確的錨點落在入口點上（圖中紅色網格），使得位置損失非常小.

3）7 000 多個預測結果中每個都需要計算位置精度二元交叉熵損失，但是只有5 個以內的標簽為1，其他標簽均為0，網絡只需要將所有樣本的位置精度都預測為0，準確度就高達：99.93%=（7 581-5）/ 7 581×100%.

也就是說FPN 和PAN 網絡只需要隨機輸出位置，再輸出全0 的位置精度就能夠在訓練時得到一個較小的損失.圖5 是以FPN 為瓶頸網絡搭建的停車位檢測網絡的訓練結果.圖5（a）為損失下降曲線，可以看出損失函數中，位置損失（入口點的L1 距離損失）和類別損失（交叉熵損失）始終都維持在一個較低的值，因為這兩個損失只需要在正樣本上計算，而正樣本數量十分少.位置精度損失pos_con（f交叉熵損失）在初始階段特別大，之后再維持在一個穩定的值.圖5（b）為訓練后期，網絡推理時的位置精度值顯示，可以發現該值全部都接近0，驗證了上述的說法，也就是說在FPN 和PAN 這類網格劃分十分細密的網絡預測中，網絡傾向于什么事都不做，就可以獲得一個較低的損失.而本文設計的MergeFPN 瓶頸網絡將輸出錨點的數量降低為FPN/PAN 的4.76%，有效緩解了正樣本損失被淹沒的現象.

圖5 不同瓶頸網絡訓練信息Fig.5 Training statistics of different necks

2.4 檢測頭試驗

檢測頭以瓶頸網絡的輸出特征圖作為輸入，輸出最終的結果，本文對解耦頭和耦合頭分別進行試驗，其中耦合頭采用的是全卷積頭，一個卷積模塊直接將特征層維度轉變為（19，19，2+1+3），試驗結果見表4.

表4 檢測頭試驗結果Tab.4 Results of detection head

本文設計的解耦頭對各個任務分開處理，而耦合頭將停車位的位置、角度、空閑占用、精準度統一使用一個卷積層進行預測，這其中混雜著不同種類的分類信息和回歸信息，如圖6（a）和圖6（b）所示.耦合檢測頭沒有充分利用卷積層和全連接層的特性，全連接層在特征層的每個區域都使用不同的權重，能夠捕捉停車位整體的信息，所以在空閑占用和精度分類任務上優勢更大，而卷積層使用滑動窗口進行特征提取，不同區域使用共享的權重，所以特征視野更小，更適合位置和角度這類回歸任務，所以統一使用卷積層的耦合檢測頭在AP1：5 精度方面不如將回歸和分類信息使用卷積層和全連接層分開處理的解耦頭.

圖6 不同檢測頭結構Fig.6 Architecture of different detection heads

2.5 整體性能

本文將上述改進應用于停車位檢測算法中，形成了AFPSD（Anchor-Free Parking Slot Detection）停車位檢測方案.為了以統一的標準對各個算法進行測評，本文對VPS-Net 和DMPR-PS 的代碼進程重構，增加了以AP1：5作為性能指標的評測代碼，試驗結果見表5.

表5 不同停車位檢測算法結果Tab.5 Results of different parking slot detection algorithm

從表5中AP1：5和FPS兩列可以看出，本文設計的AFPSD卷積神經網絡錨點端到端停車位檢測算法在精度上高于VPS-Net 和DMPR-PS，分別高出1.2%和2.1%.精度上的領先得益于本文使用統一的箭頭建模方式，將停車位兩個入口點作為一個整體，而VPS-Net 和DMPR-PS 均將同一個停車位的兩個入口點作為孤立的個體分開進行檢測，忽略了二者之間的關聯性特征.在特征融合方面，本文設計了多進單出的瓶頸網絡，將訓練時的負樣本數量降低為原來的4%左右，極大緩解了訓練時的不平衡現象，同時考慮到分類任務和回歸任務的區別，使用了獨立的檢測分支，最終AFPSD 的AP1：5 達到了0.687.在速度方面，本文設計的AFPSD 是完全端到端的停車位檢測網絡，無需進行非極大值抑制后處理和入口點匹配以及朝向判斷流程，在流程上進行了極大的簡化，在網絡結構上采用了跨越階段連接輕量化設計，多進單出融合等設計達到了12.22 M 的參數量和88.7的FPS.

2.6 特點分析

2.6.1 旋轉敏感性

使用矩形描述子對入口點進行建模的方式對停車位角度的變化很敏感，即，當測試集中出現了朝向不一致的車位時，網絡可能無法準確對其進行識別，而本文使用的進入線朝向建模法檢測的是點的位置，具有旋轉不變性.為了驗證這一特性，本文將一個車位進行四次隨機角度的旋轉之后對其進行檢測.圖7第一行是采用矩形描述子的VPS-Net的檢測結果，第二行是本文提出的AFPSD的檢測結果，每列是同一個旋轉角度的圖片，第一列是未旋轉的原圖.從圖中可以看出，網絡都能夠將未經旋轉的原圖中的車位檢測出來，但是當車位發生不同角度的旋轉時，VPS-Net 網絡的檢測結果開始發生變化，第二列可以看出藍色檢測結果已經發生了輕微的偏移，在第三列時出現了漏檢現象；而當旋轉角度進一步加大，第四列時藍色檢測結果出現了更大程度的偏移.而本文的算法提取的是箭頭的點特征，當車位朝向出現旋轉時，從點特征的層面來講，只是點的位置發生了變化，并沒有角度上的不同，所以本文對各種旋轉角度的圖像的檢測表現幾乎沒有差異.

圖7 旋轉車位檢測結果Fig.7 Results of rotating parking slot detection

2.6.2 空閑占用

本文設計的停車位檢測網絡能夠端到端地直接預測停車位是否被占用，其他方案則需要額外訓練一個停車位空閑占用網絡，并制作分類數據集對其進行訓練.圖8 是本文空閑占用預測的效果，其中黑色進入線表示該車位處于空閑狀態，紅色進入線表示該車位已經被其他車輛占用.由圖8 可以看出，在不同地面上，本文算法均能檢測出不同狀態下的車位.

圖8 占用分類結果Fig.8 Results of occupancy classification

3 結論

針對主流停車位檢測方案對入口點檢測和匹配分開進行處理，提取的特征存在冗余，并需額外設計空閑占用分類網絡等問題.本文提出了基于全景環視的端到端停車位檢測方案，該方案對停車位進行整體性建模，利用屬于同一停車位的兩個入口點之間的關聯信息一體化生成停車位的位置信息，去除入口點匹配、朝向判斷和空閑占用分類步驟.在結構設計上，本文以無錨框檢測方案為基礎，對瓶頸網絡進行正負樣本平衡化改進，同時設計了能夠緩解特征不匹配問題的檢測頭，最終實現了端到端的停車位檢測方案的設計.本文的主要貢獻如下：

1）對停車位進行整體性建模，而非單獨處理兩個入口點，簡化了停車位入口點匹配和朝向判斷模塊；

2）設計了多進單出的瓶頸網絡進行特征融合，降低了輸出樣本數量以緩解正負樣本不平衡問題；

3）設計了分類回歸解耦檢測頭，緩解特征不匹配問題；

4）設計了端到端的無錨框停車位檢測算法，能夠一體化地檢測出停車位位置和占用信息，無需額外進行入口點匹配和朝向判斷.

本文方法對于下斜坡這種不符合地平面假設的場景，檢測結果無法回投到世界坐標系，將在后續的研究中進一步優化.