本文是一篇系统介绍鱼眼相机进行车位线检测的专业教程。随着智能汽车从L2级的APA自动泊车发展到L2+的RPA远程遥控泊车、L3级的HPA自学习泊车，再到AVP自主泊车，车位线检测始终是各环节中的核心技术。下面，本文将带您系统掌握车位线检测的方法、技巧与产品化落地实践。

1. 概述：从周视到环视的感知转换

笔者近期从周视相机感知转向环视感知领域。个人认为，行人、车辆等目标检测以及道路信息的语义分割，实现上差别不大。但车位线检测任务让我纠结了较长时间。本文梳理了近几年的深度学习车位线检测方法，并分享常规思路与实践要点。

2. 车位线的特征与检测方法

2.1 车位线的组成

理想的车位线由四个角点和四条线构成：

• 入口线 (the entrance line) —— 红色线
• 分割线 (the separate line) —— 左右两条
• 底部边界（紫线，通常作用不大）

2.2 三种主流检测方法

针对车位线形状的目标，通常有三种检测方式：

• a. 基于直线的方法：找到两条分割线与入口线，使用Sobel、Canny等算子进行边缘检测，再结合Hough变换获取车位边界线。但传统算法易受光照、线条磨损、地面阴影等影响，鲁棒性不足。
• b. 基于标记点的方法：检测入口线和分割线的交叉口，结合角点坐标（如Harris、Shi-Tomasi、FAST）定位车位。同样存在鲁棒性问题，部分研究将交叉区域作为检测目标（如下示意图）。
• c. 基于分割的方法：对车辆、空闲空间、停车位标识等进行逐像素分类，将问题转化为语义分割。但后处理复杂，实时性难以满足嵌入式要求。

小提示： 实际项目中，可结合方法b和方法c的优势，例如用分割网络粗定位，再用标记点回归精调角点。

Q: 传统图像处理方法能否在量产中使用？
A: 一般不建议。在稳定光照、无遮挡的停车场中可尝试，但面对复杂场景（如夜间、磨损）时效果很差，推荐使用深度学习方法。

3. 车位线的形式分类

车位线大方向分为三种：垂直、水平、倾斜。但在实际应用中会遇到多种变体：

• 路沿代替一条分割线
• 入口线与分割线分离
• 整个车位颜色不同于周边，但无标线

Q: 为什么车位线会有这么多形式？
A: 不同区域、不同管理方（如商场、路边）的划线标准不同，导致形态多样。采集数据时需覆盖这些变体。

4. 入门学习路线：网络与数据集

在无人驾驶感知模块，深度学习提取特征已是必备技能。要快速构建车位线检测Demo，需准备好网络结构和训练数据。

4.1 推荐网络结构

近几年开源了大量深度学习方法，笔者介绍几篇代表性工作：

• “Attentional Graph Neural Network for Parking-slot Detection”：三阶段——图特征编码、图特征聚合、入口线鉴别。在鸟瞰图上用图神经网络聚合标记点邻近信息，减少后处理步骤。
• “Context-Based Parking Slot Detection With a Realistic Dataset”：类似Faster RCNN的两阶段网络——PCR模块粗检，PSD模块精确定位旋转BBox。
• “DMPR-PS: A Novel Approach For Parking-slot Detection Using Directional Marking-point regression”：检测带方向的标记点，对相交区域过滤、配对、分类。
• “Vacant Parking Slot Detection in the Around View Image Based on Deep Learning”：用YOLOv3检测车位槽头部区域，省去交叉点后处理。
• “PSDet: Efficient and Universal Parking Slot Detection”：检测交叉点，采用圆形特征描述子提取范围特征，识别更精准。

小提示： 入门阶段建议从YOLOv3或轻量级网络开始，快速验证流程，再逐步替换复杂网络。

4.2 开源数据集

目前可用的车位线数据集有：

• ps2.0：四颗鱼眼拼接后的图像，训练集约1W张，测试集不到5K张，标签为mat格式。
• PSV：同样来自四颗鱼眼拼接，数据集较小（训练集2550张，验证集425张，测试集1274张），标签为语义分割图。
• WoodScape：偏向单颗鱼眼的环境感知，包含约1W张外接框标签、1W张语义标签、1W张深度图、标定文件等，适用于分割、深度估计、3D包围盒检测等9项任务。

Q: 三个数据集分别适合什么场景？
A: ps2.0和PSV适合直接测试拼接图；WoodScape适合单颗鱼眼多任务学习，但车位线标签需自行提取。

5. 进阶提高技巧：数据采集与微调

开源数据集训练的模型往往不适用于自有场景，需要自采自标数据，并对网络微调。过程中需注意维度划分。

5.1 影响检测的因素

• 车位线颜色不同
• 场地材质不同
• 光照强弱不同
• 天气状况不同
• 地面阴影不同
• 车位磨损不同

小提示： 制定采集标准时，对每种情况的数据量保持相对平衡，避免模型对某些场景欠拟合。

5.2 采集维度参考

以下维度可作为数据采集的参考（来自相关文章）：

5.3 输入输出形式的选择

除了堆数据，还可考虑网络的输入输出形式：

• 输入：四颗鱼眼拼接图 还是 单颗鱼眼原始图？
• 输出：四个关键点？入口处两个相交区域外接框？还是语义图？

笔者仍在斟酌中，暂无最佳建议。可根据实际计算资源与精度需求权衡。

Q: 需要采集多少数据才能微调？
A: 一般每类场景至少500～1000张，保证多样性。若已有预训练模型，可减少至200张。

6. 产品化考量：从Demo到量产之路

将Demo做成一款产品，远不止模型移植到嵌入式端。需系统考虑：

• 数据链路：RAW数据类型、ISP参数调节、算法模块设计、硬件加速单元分配
• 采集与标注：数据采集方式、标注形式与数量、工具链高效迭代验证
• 代码与模型：代码质量审核、模型间性能评估

路漫漫其修远兮，吾将上下而求索！

Q: 嵌入式端推理速度如何保证？
A: 可选用轻量级网络（如MobileNet、ShuffleNet），配合TensorRT/OpenVINO量化加速，并利用NPU等硬件模块。

7. 总结

鱼眼车位线检测是智能泊车系统的关键一环。从理解车位线特征、选择检测方法，到利用深度学习网络与开源数据集入门，再到数据采集微调与产品化落地，每一步都需要扎实的工程经验。希望本教程能帮您少走弯路，快速构建高效稳定的车位线检测系统。

编辑：黄飞