技术摘要：
高速服务区车位识别方法，包括如下步骤：1)采集大量停车场中高空摄像头的图像以及其他车辆数据集，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 全部
背景技术：
目前，针对高速服务区停车位检测问题，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。这类方法需要对高速服务区停车场的每个车 位安装专用传感设备，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 用现有高速服务区停车场中的安防摄像头对车位状态进行实时识别，进而统计该区域的车 位信息。由于其利用现有的停车场监控设备，无须对停车场车位地面进行改动，而且设备维 护与维修容易，因此这种基于视频的车位检测系统具有很好的推广价值。 利用安防摄像头的视频流对车位状态识别，对识别算法的精准度以及应用场景中 对空余车位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。虽然二阶段卷积神经网络模型具 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，但无法达到二阶段卷积神经网络模型的检 测精度。基于焦点损失函数参数自适应的高速服务区车位识别方法，有利于提高系统的检 测精度并保证系统的实时性满足应用场景的要求。
技术实现要素：
本发明要克服现有技术的上述缺点，提供一种高速服务区车位识别方法，以提高 检测精度和实时性。 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服务 区背景对象，服务区背景对象的损失值虽然很小，但是数量远远超过车辆目标，因此在计算 损失值时，概率值小的服务区背景损失值压倒了车辆的目标损失值，导致模型精度下降很 多，因此在一阶段目标检测算法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。 因此，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，进而提高网络学习效率。 4 CN 111597897 A 说 明 书 2/4 页 为了解决上述技术问题，采用参数自适应的焦点损失函数加强网络训练能力，提 供系统的识别精度。 高速服务区车位识别方法，包括如下步骤： Step 1：构建高速服务区停车场数据集M，训练数据集T，验证数据集V，标注车辆类 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 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如下： 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的车辆样本与停车场背 5 CN 111597897 A 说 明 书 3/4 页 景样本置信度的损失函数；同理， 表示车辆预测框的损失函数， 表 示车辆类别的损失函数，λ为损失函数 参数。 和 分别表示车辆目 标和停车场背景目标的损失函数，具体如下所示： 表示第l层网络上第i个网格中第j个锚点预测的前景车辆概率值，同理， 表示相对应的停车场背景概率值。 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 分别表示车辆样本标定框的中心 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 分别表示车辆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个锚点预测的车辆类别预测值。 同理， 表示车辆类别的标定状态， 表示车辆样本进行预测， 表示是否对停车场 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个网格中锚点框与车辆标定框的交叠 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，设置车位总数为sum∈N ，输出当 前视频监测区域的测试样本进行目标检测，记num∈N 表示停车场内的车辆数量，则空余车 位s_num＝sum-num。 本发明的优点是：提出的焦点损失函数能够提高目标检测模型的参数自适应性， 提高系统的检测精度并保证系统的实时性满足应用场景的要求。 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是本发明给出的基于卷积神经网络的车位检测算法部署流程图。 6 CN 111597897 A 说 明 书 4/4 页
高速服务区车位识别方法，包括如下步骤：1)采集大量停车场中高空摄像头的图像以及其他车辆数据集，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 全部
背景技术：
目前，针对高速服务区停车位检测问题，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。这类方法需要对高速服务区停车场的每个车 位安装专用传感设备，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 用现有高速服务区停车场中的安防摄像头对车位状态进行实时识别，进而统计该区域的车 位信息。由于其利用现有的停车场监控设备，无须对停车场车位地面进行改动，而且设备维 护与维修容易，因此这种基于视频的车位检测系统具有很好的推广价值。 利用安防摄像头的视频流对车位状态识别，对识别算法的精准度以及应用场景中 对空余车位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。虽然二阶段卷积神经网络模型具 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，但无法达到二阶段卷积神经网络模型的检 测精度。基于焦点损失函数参数自适应的高速服务区车位识别方法，有利于提高系统的检 测精度并保证系统的实时性满足应用场景的要求。
技术实现要素：
本发明要克服现有技术的上述缺点，提供一种高速服务区车位识别方法，以提高 检测精度和实时性。 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服务 区背景对象，服务区背景对象的损失值虽然很小，但是数量远远超过车辆目标，因此在计算 损失值时，概率值小的服务区背景损失值压倒了车辆的目标损失值，导致模型精度下降很 多，因此在一阶段目标检测算法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。 因此，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，进而提高网络学习效率。 4 CN 111597897 A 说 明 书 2/4 页 为了解决上述技术问题，采用参数自适应的焦点损失函数加强网络训练能力，提 供系统的识别精度。 高速服务区车位识别方法，包括如下步骤： Step 1：构建高速服务区停车场数据集M，训练数据集T，验证数据集V，标注车辆类 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 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如下： 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的车辆样本与停车场背 5 CN 111597897 A 说 明 书 3/4 页 景样本置信度的损失函数；同理， 表示车辆预测框的损失函数， 表 示车辆类别的损失函数，λ为损失函数 参数。 和 分别表示车辆目 标和停车场背景目标的损失函数，具体如下所示： 表示第l层网络上第i个网格中第j个锚点预测的前景车辆概率值，同理， 表示相对应的停车场背景概率值。 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 分别表示车辆样本标定框的中心 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 分别表示车辆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个锚点预测的车辆类别预测值。 同理， 表示车辆类别的标定状态， 表示车辆样本进行预测， 表示是否对停车场 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个网格中锚点框与车辆标定框的交叠 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，设置车位总数为sum∈N ，输出当 前视频监测区域的测试样本进行目标检测，记num∈N 表示停车场内的车辆数量，则空余车 位s_num＝sum-num。 本发明的优点是：提出的焦点损失函数能够提高目标检测模型的参数自适应性， 提高系统的检测精度并保证系统的实时性满足应用场景的要求。 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是本发明给出的基于卷积神经网络的车位检测算法部署流程图。 6 CN 111597897 A 说 明 书 4/4 页
