[发明专利]车辆违停检测的神经网络的训练方法、检测方法和装置

权利要求书

1.一种用于车辆违停检测的神经网络的训练方法，其特征在于，包括：

获取每个包含停放车辆的街景图像的第一集合和不包含停放车辆的所述街景图像的第二集合；

将所述第一集合的街景图像输入第一卷积神经网络以获得第一特征图；

将所述第二集合的街景图像输入第二卷积神经网络以获得第二特征图，所述第二卷积神经网络具有与所述第一卷积神经网络相同的结构；

计算用于表示所述第一特征图与所述第二特征图之间的特征图的空间距离的距离损失函数；

将所述第一特征图转换的特征向量通过全连接层后获得用于分类的特征向量，并以Softmax函数对所述用于分类的特征向量进行分类以获得Softmax损失函数；以及

基于所述距离损失函数和所述Softmax损失函数的加权和更新所述第一卷积神经网络；

其中，计算用于表示所述第一特征图与所述第二特征图之间的特征图的空间距离的距离损失函数，包括：

基于所述第一特征图的样本数目n对所述第一特征图进行样本数目维度的加权平均以获得第一平均特征图：

其中，是第一平均特征图，是第一特征图，w，h，c和i分别表示所述第一特征图的宽度、高度、通道编号和样本编号；

基于所述第二特征图的样本数目m对所述第二特征图进行样本数目维度的加权平均以获得第二平均特征图；

其中，是第二平均特征图，是第二特征图，w，h，c和i分别表示所述第二特征图的宽度值、高度值、通道编号和样本编号；以及

计算所述第一平均特征图与所述第二平均特征图之间的距离以获得所述距离损失函数值；

其中，计算所述第一平均特征图与所述第二平均特征图之间的距离以获得所述距离损失函数值包括：

以如下等式计算所述第一平均特征图与所述第二平均特征图之间的距离：

其中，d是所述距离损失函数值，W，H和C分别是所述第一平均特征图与所述第二平均特征图的宽度、高度和通道数，表示所述第一平均特征图与所述第二平均特征图的每个位置的元素之间的距离。

2.根据权利要求1所述的用于车辆违停检测的神经网络的训练方法，其中，所述第一平均特征图与所述第二平均特征图的每个位置的元素之间的距离是L1距离或者L2距离。

3.根据权利要求1所述的用于车辆违停检测的神经网络的训练方法，其中，基于所述距离损失函数和所述Softmax损失函数的加权和更新所述第一卷积神经网络包括：

在基于所述距离损失函数和所述Softmax损失函数的加权和更新所述第一卷积神经网络的同时更新所述第二卷积神经网络。

4.一种车辆违停的检测方法，其特征在于，包括：

获取包含停放车辆的街景图像；

将所述街景图像输入根据权利要求1到3中任意一项所述的用于车辆违停检测的神经网络的训练方法所训练的第一卷积神经网络，全连接层和Softmax函数，所述Softmax函数的输出为表示所述停放车辆属于违停的第一概率和所述停放车辆不属于违停的第二概率；以及

基于所述第一概率和所述第二概率确定所述停放车辆是否违停。