[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

说明书

本发明公开了一种车辆违停检测的神经网络的训练方法、检测方法和装置。所述获取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街景图像的第二集合；将所述第一集合输入第一卷积神经网络以获得第一特征图；将所述第二集合输入第二卷积神经网络以获得第二特征图；计算用于表示所述第一特征图与所述第二特征图之间的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，并以函数对所述用于分类的特征向量进行分类以获得损失函数；基于所述距离损失函数和所述损失函数的加权和更新所述第一卷积神经网络，减少用于分类的特征图在其图像空间内的低概率样本点的数目，提高车辆违停检测的准确性。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及一种用于车辆违停检测的神经网络的训练方法、车辆违停检测方法、训练装置、检测装置和电子设备。

背景技术

智慧城市是把新一代信息技术充分应用在城市中各行各业的城市信息化高级形态。随着城市化的不断加快，大量人口涌入城市，私家车的数量迅速增加，导致城市车辆数量迅速增加，而城市停车位紧缺，导致车辆违停现象十分严重，城市交通混乱甚至瘫痪，造成巨大的经济损失。因此，必须要对车辆进行有效监管，才能保证城市交通的正常运行，监管车辆最直接有效的方法是对违停车辆进行抄牌。

传统的车辆违停检测与抄牌要依靠交警巡逻贴罚单完成，这种人工监管车辆的方法费时费力，而且覆盖面不广，容易漏检。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在机器视觉、图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展（尤其是机器视觉技术的发展），为车辆违停检测提供的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于车辆违停检测的神经网络的训练方法、车辆违停检测方法、训练装置、检测装置和电子设备，其通过包含停放车辆的街景图像和不包含停放车辆的所述街景图像作为训练用图像集来训练用于车辆违停检测的神经网络，以减少特征图在其图像空间内的低概率样本点的数目，从而提高分类准确性。

根据本申请的一个方面，提供了一种用于车辆违停检测的神经网络的训练方法，其包括：

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；；

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。

在上述用于车辆违停检测的神经网络的训练方法中，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：