技术摘要：
机动车违停监测方法，包括如下步骤：1)采集大量街道中高空摄像头的图像以及其他机动车数据集，依据现场的管理需求进行数据集的标定，确定使用的一阶段目标检测算法模型。2)构建参数自适应的损失函数和3)构建一阶段目标检测算法模型的损失函数LOSS。4)采用梯度下降法对 全部
背景技术：
目前，针对街道机动车违停的检测问题，传统检测方法主要包括：微雷达检测、红 外检测、地磁感应线圈检测及射频识别技术。这类方法需要在街道边的每个位置安装专用 传感设备，工程成本开销大，后期维护困难，需要投入的人力、物力成本较高。利用现有街道 中的安防摄像头对街道中的区域进行机动车违停识别，无须对街道地面进行改动，而且设 备维护与维修容易，因此这种基于视频的机动车违停检测系统具有很好的推广价值。 利用安防摄像头的视频流判断机动车是否在街道区域内违停，对识别算法的精准 度以及应用场景中对机动车违停信息的实时性要求较高。因此，采用基于深度学习的目标 检测算法较合理。基于深度学习的目标检测算法分为二阶段模型与一阶段模型。虽然二阶 段目标检测模型具有更好的检测精度，但其前向推理速度较慢，无法满足业务场景的实时 性要求。在传统的一阶段目标检测算法模型中，算法的实时性较好，但无法达到二阶段目标 检测算法模型的检测精度。在图像检测目标时含有大量的街道背景对象，街道背景对象的 损失值虽然很小，但是数量远远超过机动车目标，目前传统的目标检测方法在这种复杂场 景下很难获得较高的识别准确度，因此迫切需要一种具有高度自适应性的目标检测方法。
技术实现要素：
本发明要克服现有技术的上述缺点，提供一种具有高度自适应性且识别准确度较 高的机动车违停监测方法。 本发明对一阶段目标检测算法模型中的损失函数进行改进。损失函数作为卷积神 经网络中梯度下降过程的目标函数，直接影响着卷积神经网络的训练结果。而卷积神经网 络训练的结果好坏直接关系着目标检测的识别精度，因此对损失函数的设计显现的尤为重 要。在一阶段目标检测算法模型训练过程中，网络在图像检测目标时含有大量的街道背景 对象，街道背景对象的损失值虽然很小，但是数量远远超过机动车目标，因此在计算损失值 时，概率值小的街道背景损失值压倒了机动车的目标损失值，导致模型精度下降很多，因此 在检测模型中嵌入焦点损失函数来提高训练精度。而在焦点损失函数中有超参数需要依据 经验值去设置，无法依据预测出的类别概率值，自动调节自身的超参大小。 本发明针对焦点损失函数在训练过程中需要手动调节超参数，训练过程中的参数 不具备自适应性的问题，提出了一种基于半监督学习的深度学习损失函数，该损失函数使 用加权法对超参进行改进，使得网络在梯度下降过程中，能够自适应的调节网络超参数，进 而提高网络的学习效率。 机动车违停监测方法，包括如下步骤： Step 1：构建机动车样本数据集M，训练数据集T，验证数据集V，标注机动车样本类 别数C，训练数据批次大小batch，训练批次数batches，学习率l_rate，训练数据集T与验证 4 CN 111597902 A 说 明 书 2/4 页 数据集V之间的比例系数ζ。 其中：V∪T＝M，C∈N ，ζ∈(0 ,1)，batches∈N ,l_rate∈N ，batch∈N ， 表示图像的高和宽，r表示图像的通道数。 Step 2：确定待训练的一阶段目标检测模型，设卷积神经网络深度为L，网络卷积 层卷积核集合G，网络输出层采用全连接方式，其卷积核集合A，网络特征图集合U， 表示第 l层网络中第k个特征图 对应的网格数量，锚点集合M，具体定义如下： 其中： 分别表示第l层网络对应的卷积核、特征图和锚点的高、宽、维度。 表示第l层网络卷积核的填充大小， 表示第l层网络卷积步长，f表示卷积神经元的激励函 数，Θ表示选取的输入特征，Λ∈N 表示第l层网络的锚点总数，Ξ∈N 表示输出层节点总数， Φ∈N 表示第l层网络特征图总数，Δ∈N 表示第l层卷积核的总数。 Step 3：设计参数自适应的焦点损失函数，具体包括： 其中： 表示第l层网络上第i个网格中第j个锚点在图像tk的机动车样本与街道背 景样本置信度的损失函数；同理， 表示机动车样本预测框的损失函数， 表示机动车类别的损失函数，λ∈Q为损失函数 参数。 和 分别表示机动车样本目标和街道背景目标的损失函数，具体如下所示： 5 CN 111597902 A 说 明 书 3/4 页 表示第l层网络上第i个网格中第j个锚点预测的前景机动车样本概率 值，同理， 表示相对应的街道背景概率值。 分别表示第l层网络上第i个 网格中第j个锚点的预测框中心点横坐标和纵坐标，同理 分别表示机动车样本标定 框的中心点横坐标与纵坐标； 分别表示第l层网络上第i个网格中第j个锚点的预测 框中心点到该框边界的最短欧式距离，同理 分别表示机动车样本标定框的中心点到 该框边界的最短欧式距离； 表示第l层网络上第i个网格中第j个锚点预测的机动 车样本类别预测值。同理， 表示机动车样本类别的标定状态， 表示机动车样本进 行预测， 表示是否对街道背景样本进行预测，具体计算如下： 其中参数α∈(0,1)；iouj表示锚点mj在第i个网格中锚点框与机动车样本标定框的 交叠率，miou表示最大交叠率。 Step 4：基于Step 3中的一阶段目标检测算法模型的损失函数，利用训练集对模 型进行梯度下降法训练，直至模型收敛。在模型测试阶段，设置报警时间为timer，当系统模 型检测到机动车时，自动记录其所属的详细类别、位置信息，并开始计时，超过给定的时间 timer后，如果再次检测到的机动车详细类别和位置信息与之前检测到的信息一致，则发出 告警。 本发明的优点是：能够提高违停车辆监测模型的参数自适应性，大幅提高了违停 车辆监测的准确率。 附图说明 图1是本发明的卷积神经网络的网络结构图。 图2是本发明的卷积神经网络中损失函数结构图。 图3是本发明的基于卷积神经网络的机动车违停检测算法部署流程图。
机动车违停监测方法，包括如下步骤：1)采集大量街道中高空摄像头的图像以及其他机动车数据集，依据现场的管理需求进行数据集的标定，确定使用的一阶段目标检测算法模型。2)构建参数自适应的损失函数和3)构建一阶段目标检测算法模型的损失函数LOSS。4)采用梯度下降法对 全部
背景技术：
目前，针对街道机动车违停的检测问题，传统检测方法主要包括：微雷达检测、红 外检测、地磁感应线圈检测及射频识别技术。这类方法需要在街道边的每个位置安装专用 传感设备，工程成本开销大，后期维护困难，需要投入的人力、物力成本较高。利用现有街道 中的安防摄像头对街道中的区域进行机动车违停识别，无须对街道地面进行改动，而且设 备维护与维修容易，因此这种基于视频的机动车违停检测系统具有很好的推广价值。 利用安防摄像头的视频流判断机动车是否在街道区域内违停，对识别算法的精准 度以及应用场景中对机动车违停信息的实时性要求较高。因此，采用基于深度学习的目标 检测算法较合理。基于深度学习的目标检测算法分为二阶段模型与一阶段模型。虽然二阶 段目标检测模型具有更好的检测精度，但其前向推理速度较慢，无法满足业务场景的实时 性要求。在传统的一阶段目标检测算法模型中，算法的实时性较好，但无法达到二阶段目标 检测算法模型的检测精度。在图像检测目标时含有大量的街道背景对象，街道背景对象的 损失值虽然很小，但是数量远远超过机动车目标，目前传统的目标检测方法在这种复杂场 景下很难获得较高的识别准确度，因此迫切需要一种具有高度自适应性的目标检测方法。
技术实现要素：
本发明要克服现有技术的上述缺点，提供一种具有高度自适应性且识别准确度较 高的机动车违停监测方法。 本发明对一阶段目标检测算法模型中的损失函数进行改进。损失函数作为卷积神 经网络中梯度下降过程的目标函数，直接影响着卷积神经网络的训练结果。而卷积神经网 络训练的结果好坏直接关系着目标检测的识别精度，因此对损失函数的设计显现的尤为重 要。在一阶段目标检测算法模型训练过程中，网络在图像检测目标时含有大量的街道背景 对象，街道背景对象的损失值虽然很小，但是数量远远超过机动车目标，因此在计算损失值 时，概率值小的街道背景损失值压倒了机动车的目标损失值，导致模型精度下降很多，因此 在检测模型中嵌入焦点损失函数来提高训练精度。而在焦点损失函数中有超参数需要依据 经验值去设置，无法依据预测出的类别概率值，自动调节自身的超参大小。 本发明针对焦点损失函数在训练过程中需要手动调节超参数，训练过程中的参数 不具备自适应性的问题，提出了一种基于半监督学习的深度学习损失函数，该损失函数使 用加权法对超参进行改进，使得网络在梯度下降过程中，能够自适应的调节网络超参数，进 而提高网络的学习效率。 机动车违停监测方法，包括如下步骤： Step 1：构建机动车样本数据集M，训练数据集T，验证数据集V，标注机动车样本类 别数C，训练数据批次大小batch，训练批次数batches，学习率l_rate，训练数据集T与验证 4 CN 111597902 A 说 明 书 2/4 页 数据集V之间的比例系数ζ。 其中：V∪T＝M，C∈N ，ζ∈(0 ,1)，batches∈N ,l_rate∈N ，batch∈N ， 表示图像的高和宽，r表示图像的通道数。 Step 2：确定待训练的一阶段目标检测模型，设卷积神经网络深度为L，网络卷积 层卷积核集合G，网络输出层采用全连接方式，其卷积核集合A，网络特征图集合U， 表示第 l层网络中第k个特征图 对应的网格数量，锚点集合M，具体定义如下： 其中： 分别表示第l层网络对应的卷积核、特征图和锚点的高、宽、维度。 表示第l层网络卷积核的填充大小， 表示第l层网络卷积步长，f表示卷积神经元的激励函 数，Θ表示选取的输入特征，Λ∈N 表示第l层网络的锚点总数，Ξ∈N 表示输出层节点总数， Φ∈N 表示第l层网络特征图总数，Δ∈N 表示第l层卷积核的总数。 Step 3：设计参数自适应的焦点损失函数，具体包括： 其中： 表示第l层网络上第i个网格中第j个锚点在图像tk的机动车样本与街道背 景样本置信度的损失函数；同理， 表示机动车样本预测框的损失函数， 表示机动车类别的损失函数，λ∈Q为损失函数 参数。 和 分别表示机动车样本目标和街道背景目标的损失函数，具体如下所示： 5 CN 111597902 A 说 明 书 3/4 页 表示第l层网络上第i个网格中第j个锚点预测的前景机动车样本概率 值，同理， 表示相对应的街道背景概率值。 分别表示第l层网络上第i个 网格中第j个锚点的预测框中心点横坐标和纵坐标，同理 分别表示机动车样本标定 框的中心点横坐标与纵坐标； 分别表示第l层网络上第i个网格中第j个锚点的预测 框中心点到该框边界的最短欧式距离，同理 分别表示机动车样本标定框的中心点到 该框边界的最短欧式距离； 表示第l层网络上第i个网格中第j个锚点预测的机动 车样本类别预测值。同理， 表示机动车样本类别的标定状态， 表示机动车样本进 行预测， 表示是否对街道背景样本进行预测，具体计算如下： 其中参数α∈(0,1)；iouj表示锚点mj在第i个网格中锚点框与机动车样本标定框的 交叠率，miou表示最大交叠率。 Step 4：基于Step 3中的一阶段目标检测算法模型的损失函数，利用训练集对模 型进行梯度下降法训练，直至模型收敛。在模型测试阶段，设置报警时间为timer，当系统模 型检测到机动车时，自动记录其所属的详细类别、位置信息，并开始计时，超过给定的时间 timer后，如果再次检测到的机动车详细类别和位置信息与之前检测到的信息一致，则发出 告警。 本发明的优点是：能够提高违停车辆监测模型的参数自适应性，大幅提高了违停 车辆监测的准确率。 附图说明 图1是本发明的卷积神经网络的网络结构图。 图2是本发明的卷积神经网络中损失函数结构图。 图3是本发明的基于卷积神经网络的机动车违停检测算法部署流程图。
