[发明专利]基于违停车辆标签的神经网络的训练方法和检测方法

权利要求书

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；

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；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；

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：

将每个所述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；

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，再固定所述第二卷积神经网络和第二全连接层的参数并更新所述第一卷积神经网络和第一全连接层的参数。

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，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。

3.一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2中任意一项所述的基于违停车辆标签的神经网络的训练方法所训练的第一卷积神经网络，第一全连接层和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。

4.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-2中任一项所述的基于违停车辆标签的神经网络的训练方法或者如权利要求3所述的车辆违停的检测方法。