CNRPark Patches, PKLot, 自定义数据集

该研究使用了CNRPark Patches、PKLot以及一个针对雾天停车场景的自定义数据集。CNRPark Patches和PKLot是公开的停车位检测数据集，广泛用于智能停车系统的研究中。自定义数据集则专门针对雾天条件下的停车位分类问题，旨在解决传统方法在雾天环境下性能下降的问题。这些数据集包含了不同天气条件下的停车位图像，数据量较大，涵盖了多种复杂的停车场景。数据集的创建过程包括图像采集、标注和预处理，旨在提高模型在雾天条件下的分类准确性。该数据集的应用领域主要集中在智能停车系统和自动驾驶领域，旨在通过提高停车位检测的准确性，减少驾驶员寻找停车位的时间，提升交通效率。

This study employs three datasets: CNRPark Patches, PKLot, and a custom dataset designed for foggy parking scenarios. Both CNRPark Patches and PKLot are publicly available parking space detection datasets that have been widely adopted in research on intelligent parking systems. The custom dataset is specifically developed for the parking space classification task under foggy conditions, aiming to address the performance degradation issue of traditional methods in foggy environments. These datasets contain large-scale parking space images captured under diverse weather conditions, covering a wide range of complex parking scenarios. The dataset construction process includes image collection, annotation and preprocessing, with the goal of improving the classification accuracy of models under foggy conditions. The application fields of these datasets mainly focus on intelligent parking systems and autonomous driving, aiming to reduce the time drivers spend searching for parking spaces and enhance traffic efficiency by improving the accuracy of parking space detection.

搜集汇总

数据集介绍

构建方式

本数据集通过多种途径进行构建，包括利用现有的PKLot和CNRPark Patches数据集，以及创建一个专门针对雾霾停车场场景的自定义数据集。PKLot数据集包含了从不同天气条件下捕获的12,417张图像，CNRPark数据集则包含了从两个不同摄像头捕获的12,584张图像。自定义数据集则包含了752张原始图像，其中502张为雾霾车辆图像，250张为无雾霾图像。为了增加数据集的多样性，还进行了图像增强处理。

使用方法

使用该数据集时，首先需要对图像进行预处理，包括调整大小、归一化等。然后，可以使用预训练的CNN模型（如ResNet-50、AlexNet和GoogleNet）进行特征提取。接下来，使用Pin-GTSVM进行分类。为了提高模型的泛化能力，可以使用交叉验证技术。此外，还可以使用不同的核函数（如线性核和RBF核）来比较模型的性能。

背景与挑战

背景概述

随着深度学习框架在停车空间占用检测领域的应用逐渐成熟，其对于部分遮挡和光照条件变化的适应性已得到显著提升。然而，在雾霾环境下，其性能却显著下降。本论文提出了一种新颖的混合模型，该模型结合了预训练的特征提取器和Pinball Generalized Twin Support Vector Machine (Pin-GTSVM)分类器，从而无需在当前的雾霾停车槽分类系统中使用去雾系统，并且对任何大气噪声不敏感。该系统可以无缝集成到传统的智能停车基础设施中，利用少量摄像头高效地监控和管理数百个停车空间。其有效性已在CNRPark Patches、PKLot和一个针对雾霾停车场景的自定义数据集上得到评估，并与现有的停车空间检测方法进行了比较。实验结果表明，在雾霾停车系统上，其准确性有了显著提高，从而强调了其对大气噪声的有效处理。

当前挑战

该数据集的挑战主要在于解决停车空间占用检测在雾霾环境下的性能问题。此外，构建过程中还面临着如何有效处理大气噪声、如何提高模型在噪声环境下的鲁棒性等问题。

常用场景

经典使用场景

在智能停车系统中，CNRPark Patches和PKLot数据集常用于检测停车位的占用情况，尤其是在大气噪声，如雾天，等情况下。通过深度学习框架，这些数据集可以帮助识别部分遮挡和适应不同的光照条件，从而提高停车位的检测精度。

解决学术问题

该数据集解决了在真实世界场景中，尤其是在大气噪声存在的情况下，停车位检测的精度问题。传统的停车位检测方法在面对雾天等大气噪声时，性能会显著下降。而通过结合预训练的特征提取器和Pin-GTSVM分类器，可以有效地提高在大气噪声环境下的停车位检测精度。

实际应用

CNRPark Patches和PKLot数据集在实际应用中，可以帮助实现智能停车系统的实时监控和管理。通过使用最少数量的摄像头，可以有效地监控和管理数百个停车位，从而提高停车场的运营效率。

数据集最近研究

最新研究方向

在深度学习框架下，停车空间占用检测已经取得了显著的进展。然而，在雾霾等大气噪声存在的情况下，这些方法的性能会显著下降。本研究提出了一种新的混合模型，该模型使用预训练的特征提取器和Pinball广义双支持向量机（Pin-GTSVM）分类器，从而无需使用当前最先进的雾霾停车泊位分类系统中的去雾系统，并且对任何大气噪声都不敏感。该系统可以无缝地与传统的智能停车基础设施集成，利用少量的摄像头有效地监控和管理数百个停车空间。其有效性已通过使用CNRPark Patches、PKLot和特定于雾霾停车场景的自定义数据集，与已建立的停车空间检测方法进行了评估。此外，经验结果表明，在雾霾停车系统上的准确性有显著提高，从而突出了对大气噪声处理的效率。

相关研究论文

• Atmospheric Noise-Resilient Image Classification in a Real-World Scenario: Using Hybrid CNN and Pin-GTSVM

  印度理工学院比拉校区 · 2025年