近年来,无人驾驶技术的研究受到越来越广泛的关注且取得了很大的进步,给汽车的主动安全与智能化提供了更多的可能。泊车的环境复杂度以及应用可能性相较于其他驾驶技术来说能够更为简单的实现,然而现有的泊车辅助大多基于多超声波或多雷达对可泊车区域进行感知,较高的应用成本使得其并没有落地于大部分车型。随着计算机视觉的迅猛发展,使得成本较低的摄像头得以在泊车领域得到应用发展。作为泊车系统的感知、决策、控制三大部分的第一步,感知就是要在泊车时对目标区域内的车位线进行检测识别。传统的图像目标检测算法,对于复杂场景的识别准确率低,且较大程度依赖于参数阈值的设定,相比之下深度卷积神经网络有着更好的性能与更大的应用潜力和研究前景。虽然泊车时的速度相对较低,但是对于检测算法的速度实时性也是有着相当高的要求,因而对于算法的优化加速也尤为重要。本文的工作主要是对泊车视觉辅助算法进行研究,提出基于CNN的停车位检测算法,并将算法在PC机上进行验证演示。本文的主要研究内容有:(1)基于卷积神经网络的目标检测算法研究。本文对基于区域生成的检测算法以及基于回归的检测算法的发展演变思路做了详细的梳理。通过实际标注单一场景的车位线,构建一个小型的数据集,对两类算法均做了相应的实验对比。并通过数据增广、结构优化、参数调优等方式将准确率进一步提高。(2)基于深度神经网络的模型压缩加速研究。通过对现有的算法进行调研梳理,先将其应用于分类问题进行横向的对比优化,然后分析了应用的难点以及训练模型技巧,最终选定紧凑小网络的网络模型压缩方法,对目标检测算法做进一步的优化压缩,既保证了准确率,又将前向推理的速度提高。(3)基于多自由度的目标检测算法研究。主要采取了三个思路进行了研究仿真。一是对目标检测算法的检测结果进行聚类、形态学等操作的图像后处理研究优化;二是结合自然文字处理的多自由度检测算法改进,将CNN与RNN结合的检测算法研究;三是将目标检测算法的结果作为输入,输入到另外关键点检测模型,对车位的四个角点设置12个关键点,进行车位轮廓提取。对丰富的检测场景提供可行性,提供了对于多种情况的图像后处理以及端对端的三种检测方案。