快速增长的机动车保有量给交通环境带来了巨大的压力,同时加剧了泊车难的问题,自动泊车功能作为消费者最为期待却尚不成熟的辅助驾驶功能,对于解决泊车难的问题具有重要研究意义。自动泊车系统主要分为两类,第一类是基于超声波的自动泊车,另一类是基于图像的自动泊车。基于超声波的自动泊车无法在没有参照物的情况下进行车位检测、对车位两侧的车辆停放位置和角度有严格的要求、无法对斜车位做出判别、且易产生误识别。基于视觉的自动泊车系统为解决上述问题创造了可能,目前,绝大多数基于视觉的车位检测算法只有在光照条件良好、阴影少、图像所含信息简单等条件下才有效,一些研究也仅仅对车位边线进行检测,并没有设计如何根据处理得到的车位线来判断具体车位并完成车位的四点定位,而这是一个非常复杂的问题,尤其是在图像中包含大量车位、车位分布不规则的情况下,上述问题将变得更加难以解决。为了解决上述所提到的问题,本文设计了一个基于深度学习和OpenCV传统图像的车位检测与定位系统,有效解决了背景信息复杂等情况下车位无法检测和定位的问题。主要研究内容如下:(1)为了尽可能全和尽可能早地检测和定位车辆周围存在的车位,设计并搭建了一个视野范围广阔的360度全景环视系统,用以图像采集。首先使用四个鱼眼相机对车辆四个角度的原始画面进行拍摄,之后利用张正友标定法获取相机参数,根据标定得到的参数对画面进行畸变校正,进而利用俯视变换算法对校正后的图像进行俯视变换,得到垂直于地面的俯视图,然后设计了一个用于拼接的坐标系,使用加权平均融合算法对图像的重叠区域进行融合,最终获得360度全景环视图像,并将其作为后续车位检测系统的输入。(2)为了解决当图像中存在大量复杂信息时车位无法检测和定位的问题,本文设计并实现了一个基于深度学习的车位检测系统。首先,搭建了两个基于深度学习的车位检测模型,使用本文所设计的360度全景环视系统进行图像采集,利用采集到的图像制作训练样本和测试样本,之后使用制作好的样本对所搭建的检测模型进行训练,最后使用具有典型特征的图片对训练好的模型进行性能测试和验证,并对结果进行深入分析。(3)利用训练好的深度学习模型完成车位检测之后,可以得到图像中包含一个个独立车位的小区域,本文在此基础上设计了一套基于OpenCV传统图像的车位定位算法,用以对区域内的车位完成四个顶点的定位。首先使用灰度化算法和滤波算法对图像进行预处理操作,以降低图像噪声的干扰;针对光照不均匀、存在大量阴影,背景信息复杂的图象,普通的二值化方法难以处理得到完整车位,本文通过形态学开运算算法获取图像的背景,并将其从原始图像中去除后再进行二值化操作;而后根据车位的特征,设计了一种基于连通区域的车位提取方法;最后,通过Hough直线检测完成对车位顶点的定位,输出车位的四个顶点坐标,并通过坐标转换得到该车位位于全景图像中的坐标值。实验结果表明,本文所设计的全景环视系统获得的图像拼接效果良好,可以作为车位检测和定位系统的输入,所搭建的基于深度学习的车位检测系统可以在图像信息非常复杂的情况下完成对车位的高准确率检测,车位检测平均正确率达到了89.30%,所设计的车位定位系统可以实现对车位的定位,并且四个顶点定位精确,可以作为自动泊车系统的车位坐标输入。