【技术实现步骤摘要】
基于违停车辆标签的神经网络的训练方法和检测方法
本申请涉及人工智能
，且更为具体地，涉及一种基于违停车辆标签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。
技术介绍
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。随着城市化进程的不断加快，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...
【技术保护点】
1.一种基于违停车辆标签的神经网络的训练方法，其特征在于，包括：/n获取每个包含停放车辆的街景图像的第一集合和包含标记有违停车辆的所述街景图像的第二集合；/n将所述第一集合的街景图像输入第一卷积神经网络和第一全连接层以获得第一特征向量；/n将所述第二集合的街景图像输入第二卷积神经网络和第二全连接层以获得第二特征向量，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；/n计算所述第一特征向量与所述第二特征向量的均方误差损失函数；/n将所述第一特征向量以Softmax函数进行分类以获得Softmax损失函数；以及/n基于所述均方误差损失函数和所述Softmax损失函...
【技术特征摘要】
1.一种基于违停车辆标签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包含标记有违停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和第一全连接层以获得第一特征向量；
将所述第二集合的街景图像输入第二卷积神经网络和第二全连接层以获得第二特征向量，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
计算所述第一特征向量与所述第二特征向量的均方误差损失函数；
将所述第一特征向量以Softmax函数进行分类以获得Softmax损失函数；以及
基于所述均方误差损失函数和所述Softmax损失函数的加权和更新所述第一卷积神经网络、第一全连接层、所述第二卷积神经网络和第二全连接层的参数。
2.根据权利要求1所述的基于违停车辆标签的神经网络的训练方法，其中，在包含标记有违停车辆的所述街景图像的第二集合中，所述违停车辆在每个所述街景图像中以候选框形式标记；
将所述第二集合的街景图像输入第二卷积神经网络和第二全连接层以获得第二特征向量，包括：
计算每个所述街景图像中，所述候选框的中心相对于所述街景图像的位置位置；以及
将所述位置坐标作为所述街景图像的标签值，与所述街景图像一起输入所述第二卷积神经网络和所述第二全连接层以获得所述第二特征向量。
3.根据权利要求2所述的基于违停车辆标签的神经网络的训练方法，其中，在包含标记有违停车辆的所述街景图像的第二集合中，所述违停车辆在每个所述街景图像中以标签信息形式标记，所述标签信息包括所述违停车辆的违停描述；
将所述第二集合的街景图像输入第二卷积神经网络和第二全连接层以获得第二特征向量，包括：
将所述每个街景图像以及其对应的标签信息通过多模态特征向量转化为混合特征向量；以及
将所述混合特征向量输入所述第二卷积神经网络和所述第二全连接层以获得所述第二特征向量。
4.根据权利要求3所述的基于违停车辆标签的神经网络的训练方法，其中，所述违停车辆的违停描述包括车辆的牌号、车型、车型、颜色、违停地点、违章时间。
5.根据权利要求1所述的基于违停车辆标签的神经网络的训练方法，其中，基于所述均方误差损失函数和所述Softmax损失函数的加权和更新所述第一卷积神经网络、第一全连接层、所述第二卷积神经网络和第二全连接层的参数包括：
基于所述均方误差损失函数和所述Softmax损失函数的加权和迭代地更新所述第一卷积神经网络、第一全连接层、所述第二卷积神经网络和第二全连接层的参数，
其中，在每次迭代中，首先固定所述第一卷积神经网络和第一全连接层的参数并更新所述第二卷积神经网络和第二全连接层的参数，再固定所述第二卷...
【专利技术属性】
技术研发人员：朱淑敏，王顺镇，沈瑶，
申请(专利权)人：城云科技中国有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。