用于路边停车系统的智能管理方法及其系统与流程

1.本技术涉及智慧城市的领域，且更为具体地，涉及一种用于路边停车系统的智能管理方法及其系统。


背景技术：

2.随着社会经济的不断发展以及人们生活节奏的不断加快，汽车的需求也呈现日益增长的趋势，而机动车数量的不断增加，则意味着需要更多的停车位来满足人们的停车需求。
3.随着道路建设的不断完善，道路已经加宽加大，因此在交通能力允许的情况下，路边停车变成了对城市道路基础设施的充分有效的利用。路边停车虽然能够满足短时停车用户的需要，以使得他们不至于花费较多的时间去寻找停车场的车位。但是，近年来机动车的数量迅速增长，而停车场的建设又相对滞后，这样就会使得路边停车的机动车数量猛增，进而严重影响了城市的交通。
4.目前路边停车位的管理系统较差，例如现有的路边停车位只是依靠人工进行管理及收费，这样不仅效率较低，而且还会使得管理的结果不尽人意。
5.并且，现今路边停车的车辆类型也没有得到较好的限制和划分，比如目前很多大客车也会占用小汽车的停车位，这样就会导致本来就紧张的小汽车车位资源被占用，并且大客车的体积相较于小汽车较大，当大客车占用不属于它本来的车位时就会给城市的交通带来严重的负担。不仅如此，有些小汽车还因为停放的原因会占用到两个停车位，但是，目前这些情况只能依靠人工进行管理约束，这样显然在花费大量成本的同时，也会造成管理的结果较差。因此，在对路边车位进行管理的过程中，不仅需要自动根据车辆停放的时间进行收费，还需要对违规车辆的停放进行额外收费及处罚。因此，期望一种用于路边停车系统的智能管理方法。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于路边停车系统的智能管理方法及其系统，其通过作为特征提取器的卷积神经网络模型来分别提取出监控图像中的车辆检测与标志线检测的局部高维特征分布以得到第一特征向量和第二特征向量，并计算这两个所述特征性向量间的分类损失函数值、类一致性损失函数值和超凸度量损失函数值来对所述特征提取器进行训练，以实现卷积神经网络提取出的车辆特征和标识线特征在高维空间内的特征流形间的流形差异性能够适应高维空间的各子维度投影上的凸单调性。这样，就可以对路边停放的车辆是否违规进行准确地检测，以避免给城市交通带来负担。
7.根据本技术的一个方面，提供了一种用于路边停车系统的智能管理方法，其包括：训练阶段，包括：通过部署于路边的摄像头获取路边停车位的监控图像；将所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络以获得第一特征向量；将所述路边停车
位的监控图像通过用于标志线检测的第二卷积神经网络以获得第二特征向量；将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值；计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值，所述类一致性损失函数值以所述第一特征向量和所述第二特征向量之间的余弦距离乘以预设系数为幂的自然指数函数值；计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值，所述超凸度量损失函数值为所述第一特征向量中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值；以及计算所述分类损失函数值、所述类一致性损失函数值和所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断阶段，包括：过部署于路边的摄像头获取路边停车位的监控图像；将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络以获得第一特征向量；将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络以获得第二特征向量；以及将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表示停放车辆是否违规。
8.根据本技术的另一方面，提供了一种用于路边停车系统的智能管理系统，其包括：训练模块，包括：监控图像获取单元，用于通过部署于路边的摄像头获取路边停车位的监控图像；第一卷积单元，用于将所述监控图像获取单元获得的所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络以获得第一特征向量；第二卷积单元，用于将所述监控图像获取单元获得的所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络以获得第二特征向量；分类损失函数值计算单元，用于将所述第一卷积单元获得的所述第一特征向量和所述第二卷积单元获得的所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值；类一致性损失函数值计算单元，用于计算所述第一卷积单元获得的所述第一特征向量和所述第二卷积单元获得的所述第二特征向量之间的类一致性损失函数值，所述类一致性损失函数值以所述第一特征向量和所述第二特征向量之间的余弦距离乘以预设系数为幂的自然指数函数值；超凸度量损失函数值计算单元，用于计算所述第一卷积单元获得的所述第一特征向量和所述第二卷积单元获得的所述第二特征向量之间的超凸度量损失函数值，所述超凸度量损失函数值为所述第一特征向量中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值；训练单元，用于计算所述分类损失函数值计算单元获得的所述分类损失函数值、所述类一致性损失函数值计算单元获得的所述类一致性损失函数值和所述超凸度量损失函数值计算单元获得的所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断模块，包括：推断数据获取单元，用于通过部署于路边的摄像头获取路边停车位的监控图像；第一特征向量生成单元，用于将所述推断数据获取单元获得的所述路边停车位的监控图像通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络以获得第一特征向量；第二特征向量生成单元，用于将所述推断数据获取单元获得的所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络以获得第二特征向量；分类单元，用于将所述第一特征向量生成单元获得的所述第一特征向量和所述第二特征向量生成单元获得的所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表
示停放车辆是否违规。
9.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于路边停车系统的智能管理方法。
10.根据本技术提供的用于路边停车系统的智能管理方法及其系统，其通过作为特征提取器的卷积神经网络模型来分别提取出监控图像中的车辆检测与标志线检测的局部高维特征分布以得到第一特征向量和第二特征向量，并计算这两个所述特征性向量间的分类损失函数值、类一致性损失函数值和超凸度量损失函数值来对所述特征提取器进行训练，以实现卷积神经网络提取出的车辆特征和标识线特征在高维空间内的特征流形间的流形差异性能够适应高维空间的各子维度投影上的凸单调性。这样，就可以对路边停放的车辆是否违规进行准确地检测，以避免给城市交通带来负担。
附图说明
11.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
12.图1为根据本技术实施例的用于路边停车系统的智能管理方法的场景示意图。
13.图2a为根据本技术实施例的用于路边停车系统的智能管理方法中训练阶段的流程图。
14.图2b为根据本技术实施例的用于路边停车系统的智能管理方法中推断阶段的流程图。
15.图3a为根据本技术实施例的用于路边停车系统的智能管理方法中训练阶段的架构示意图。
16.图3b为根据本技术实施例的用于路边停车系统的智能管理方法中推断阶段的架构示意图。
17.图4为根据本技术实施例的用于路边停车系统的智能管理系统的框图。
具体实施方式
18.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
19.场景概述
20.如前所述，目前路边停车位的管理系统较差，例如现有的路边停车位只是依靠人工进行管理及收费，这样不仅效率较低，而且还会使得管理的结果不尽人意。
21.并且，现今路边停车的车辆类型也没有得到较好的限制和划分，比如目前很多大客车也会占用小汽车的停车位，这样就会导致本来就紧张的小汽车车位资源被占用，并且大客车的体积相较于小汽车较大，当大客车占用不属于它本来的车位时就会给城市的交通带来严重的负担。不仅如此，有些小汽车还因为停放的原因会占用到两个停车位，但是，目
前这些情况只能依靠人工进行管理约束，这样显然在花费大量成本的同时，也会造成管理的结果较差。因此，在对路边车位进行管理的过程中，不仅需要自动根据车辆停放的时间进行收费，还需要对违规车辆的停放进行额外收费及处罚。因此，期望一种用于路边停车系统的智能管理方法。
22.应可以理解，目前由于很多大客车会占用小汽车的停车位，但是大客车的体积又相较于小汽车较大，当大客车占用不属于它本来的车位时就会给城市的交通带来严重的负担，因此在对路边车位进行管理的过程中，不仅需要自动根据车辆停放的时间进行收费，还需要对违规车辆的停放进行额外收费及处罚。而这本质上是一个分类的问题，也就是根据路边停车位监控图像，使用特征提取器提取的车辆目标特征和标志线目标特征，再利用分类器对于停放的车辆是否违规进行检测判断。
23.具体地，在本技术的技术方案中，首先通过部署于路边的摄像头获取路边的监控图像，然后将其通过用于车辆检测的第一卷积神经网络中进行处理，以提取出车辆的局部高维特征分布表示，从而获得第一特征向量。并将监控图像通过用于标志线检测的第二卷积神经网络中进行处理，以提取出标志线的局部高维特征分布，从而获得第二特征向量。
24.应可以理解，由于以上数据的尺度和格式差异，使得车辆特征和标示线特征在高维空间中具有非聚合的特征流形，若想更好地融合这两者的特征信息，以提高后续分类的准确性，还需要进一步对特征提取器进行训练。
25.也就是，进一步将第一特征向量和第二特征向量级联后通过分类器的分类损失函数
26.接着，再计算第一特征向量和第二特征向量的类一致性损失函数：
[0027][0028]
其中cos(v1,v2)表示特征向量间的预先距离。
[0029]
这样，可以用于通过损失函数的反向传播来更新卷积神经网络的参数，以实现卷积神经网络提取出的车辆特征和标识线特征在特定标签(违规)类概率下的一致性。
[0030]
然后，计算第一特征向量和第二特征向量的超凸度量损失函数：
[0031][0032]
应可以理解，用于通过损失函数的反向传播来更新卷积神经网络的参数，以实现卷积神经网络提取出的车辆特征和标识线特征在高维空间内的特征流形间的流形差异性能够适应高维空间的各子维度投影上的凸单调性。
[0033]
基于此，本技术提出了一种用于路边停车系统的智能管理方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：通过部署于路边的摄像头获取路边停车位的监控图像；将所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络以获得第一特征向量；将所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络以获得第二特征向量；将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值；计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值，所述类一致性损失函数值以所述第一特征向量和所述第二特征向量之间的余弦距离
乘以预设系数为幂的自然指数函数值；计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值，所述超凸度量损失函数值为所述第一特征向量中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值；以及，计算所述分类损失函数值、所述类一致性损失函数值和所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练。其中，推断阶段包括步骤：通过部署于路边的摄像头获取路边停车位的监控图像；将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络以获得第一特征向量；将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络以获得第二特征向量；以及，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表示停放车辆是否违规。
[0034]
图1图示了根据本技术实施例的用于路边停车系统的智能管理方法的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过部署于路边的摄像头(例如，如图1中所示意的c)获取路边停车位(例如，如图1 中所示意的p)的监控图像。然后，将获得的所述路边停车位的监控图像输入至部署有用于路边停车系统的智能管理算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够用于路边停车系统的智能管理算法以所述路边停车位的监控图像对用于路边停车系统的智能管理的所述第一卷积神经网络和所述第二卷积神经网络进行训练。
[0035]
在训练完成后，在推断阶段中，首先，通过部署于路边的摄像头(例如，如图1中所示意的c)获取路边停车位(例如，如图1中所示意的p)的监控图像。然后，将获得的所述路边停车位的监控图像输入至部署有用于路边停车系统的智能管理算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以用于路边停车系统的智能管理算法对所述路边停车位的监控图像进行处理，以生成用于表示停放车辆是否违规的分类结果。
[0036]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0037]
示例性方法
[0038]
图2a图示了根据本技术实施例的用于路边停车系统的智能管理方法中训练阶段的流程图。如图2a所示，根据本技术实施例的用于路边停车系统的智能管理方法，包括：训练阶段，包括步骤：s110，通过部署于路边的摄像头获取路边停车位的监控图像；s120，将所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络以获得第一特征向量；s130，将所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络以获得第二特征向量；s140，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值；s150，计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值，所述类一致性损失函数值以所述第一特征向量和所述第二特征向量之间的余弦距离乘以预设系数为幂的自然指数函数值；s160，计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值，所述超凸度量损失函数值为所述第一特征向量中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值；以及，s170，计算所述分类损失函数值、所述类一致性损失函数值和所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷
积神经网络进行训练。
[0039]
图2b图示了根据本技术实施例的用于路边停车系统的智能管理方法中推断阶段的流程图。如图2b所示，根据本技术实施例的用于路边停车系统的智能管理方法，还包括：推断阶段，包括步骤：s210，通过部署于路边的摄像头获取路边停车位的监控图像；s220，将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络以获得第一特征向量；s230，将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络以获得第二特征向量；以及， s240，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表示停放车辆是否违规。
[0040]
图3a图示了根据本技术实施例的用于路边停车系统的智能管理方法中训练阶段的架构示意图。如图3a所示，在训练阶段中，在该网络架构中，首先，将获得的所述路边停车位的监控图像(例如，如图3a中所示意的p1) 通过用于车辆检测的第一卷积神经网络(例如，如图3a中所示意的cnn1) 以获得第一特征向量(例如，如图3a中所示意的vf1)；接着，将所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络(例如，如图 3a中所示意的cnn2)以获得第二特征向量(例如，如图3a中所示意的 vf2)；然后，将所述第一特征向量和所述第二特征向量级联为分类特征向量(例如，如图3a中所示意的vf)后通过分类器(例如，如图3a中所示意的圈s)以获得分类损失函数值(例如，如图3a中所示意的clv)；接着，计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值 (例如，如图3a中所示意的ccv)；然后，计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值(例如，如图3a中所示意的jcv)；以及，最后，计算所述分类损失函数值、所述类一致性损失函数值和所述超凸度量损失函数值(例如，如图3a中所示意的lv)的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练。
[0041]
图3b图示了根据本技术实施例的用于路边停车系统的智能管理方法中推断阶段的架构示意图。如图3b所示，在推断阶段中，在该网络结构中，当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，首先，将获得的所述路边停车位的监控图像(例如，如图3b中所示意的p1)通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络(例如，如图3b中所示意的cn1)以获得第一特征向量(例如，如图3b中所示意的vf1)；接着，将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络(例如，如图3b中所示意的cn2)以获得第二特征向量(例如，如图3b中所示意的vf2)；最后，将所述第一特征向量和所述第二特征向量级联为分类特征向量(例如，如图3b中所示意的vf) 后通过分类器(例如，如图3b中所示意的圈s)以获得分类结果，所述分类结果用于表示停放车辆是否违规。
[0042]
更具体地，在训练阶段中，在步骤s110和步骤s120中，通过部署于路边的摄像头获取路边停车位的监控图像，并将所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络以获得第一特征向量。如前所述，应可以理解，目前由于很多大客车会占用小汽车的停车位，但是大客车的体积又相较于小汽车较大，当大客车占用不属于它本来的车位时就会给城市的交通带来严重的负担，因此在对路边车位进行管理的过程中，不仅需要自动根据车辆停放的时间进行收费，还需要对违规车辆的停放进行额外收费及处罚。而这本质上是一个分类的问题，也就是根据所述路边停车位监控图像，使用特征提取器提取车辆目
标特征和标志线目标特征，再利用分类器对于停放的车辆是否违规进行检测判断。
[0043]
具体地，在本技术的技术方案中，首先通过部署于路边的摄像头获取路边的监控图像。然后将所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络中进行处理，以提取出所述车辆的局部高维特征分布表示，从而获得第一特征向量。相应地，在一个具体示例中，所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述路边停车位的监控图像。
[0044]
更具体地，在训练阶段中，在步骤s130中，将所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络以获得第二特征向量。也就是，在本技术的技术方案中，为了基于所述车辆目标和所述标志线目标的联合特征来对停放车辆是否违规进行准确检测，还需要将所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络中进行处理，以提取出所述标志线的局部高维特征分布，从而获得第二特征向量。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征向量，其中，所述第二卷积神经网络的第一层的输入为所述路边停车位的监控图像。
[0045]
更具体地，在训练阶段中，在步骤s140中，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值。应可以理解，由于以上数据的尺度和格式差异，使得所述车辆特征和所述标示线特征在高维空间中具有非聚合的特征流形，若想更好地融合这两者的特征信息，以提高后续分类的准确性，还需要进一步对所述特征提取器进行训练。也就是，具体地，在本技术的技术方案中，进一步将所述第一特征向量和所述第二特征向量级联后通过分类器的分类损失函数
[0046]
具体地，在本技术实施例中，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值的过程，包括：首先，将所述第一特征向量和所述第二特征向量进行级联以获得分类特征向量。然后，使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。最后，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
[0047]
更具体地，在训练阶段中，在步骤s150中，计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值，所述类一致性损失函数值以所述第一特征向量和所述第二特征向量之间的余弦距离乘以预设系数为幂的自然指数函数值。也就是，在本技术的技术方案中，进一步计算所述第一特征向量和所述第二特征向量的类一致性损失函数，这样，可以用于通过所述损失函数的反向传播来更新所述卷积神经网络的参数，以实现所述卷积神经网络提取出的所述车辆特征和所述标识线特征在特定标签(违规)类概率下的一致性。
[0048]
具体地，在本技术实施例中，计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值的过程，包括：以如下公式计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值；
[0049]
其中，所述公式诶：
[0050]
[0051]
其中cos(v1,v2)表示特征向量间的预先距离。
[0052]
更具体地，在训练阶段中，在步骤s160和步骤s170中，计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值，所述超凸度量损失函数值为所述第一特征向量中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值，并计算所述分类损失函数值、所述类一致性损失函数值和所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练。也就是，在本技术的技术方案中，为了对所述停放的车辆是否违规进行准确判断，还需进一步计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值。应可以理解，这样，用于通过所述损失函数的反向传播来更新卷积神经网络的参数，以实现所述卷积神经网络提取出的车辆特征和标识线特征在高维空间内的特征流形间的流形差异性能够适应高维空间的各子维度投影上的凸单调性。然后，就可以使用所述分类损失函数值、所述类一致性损失函数值和所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练。特别地，在一个具体示例中，这里，所述停放车辆是否违规，包括：大客车是否占用小汽车的停车位。
[0053]
具体地，在本技术实施例中，计算所述第一特征向量和所述第二特征向量之间的超凸度量损失函数值的过程，包括：以如下公式计算所述第一特征向量和所述第二特征向量之间的所述超凸度量损失函数值；
[0054]
其中，所述公式为：
[0055][0056]
其中v
1i
表示所述第一特征向量的各个位置的特征值，v
2i
表示所述第二特征向量中各个位置的特征值，|
·
|表示所述第一特征向量与所述第二特征向量之间的距离。
[0057]
在训练完成后，进入推断阶段。也就是，在使用用于路边停车系统的智能管理算法来训练所述第一卷积神经网络和所述第二卷积神经网络后，将训练完成的所述第一卷积神经网络和所述第二卷积神经网络用于实际的推断场景中。
[0058]
具体地，在推断阶段中，首先，通过部署于路边的摄像头获取路边停车位的监控图像；然后，将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络以获得第一特征向量；接着，将所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络以获得第二特征向量；然后，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表示停放车辆是否违规；最后，将所述第一特征向量和所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表示停放车辆是否违规。
[0059]
综上，基于本技术实施例的用于路边停车系统的智能管理方法被阐明，其通过作为特征提取器的卷积神经网络模型来分别提取出监控图像中的车辆检测与标志线检测的局部高维特征分布以得到第一特征向量和第二特征向量，并计算这两个所述特征性向量间的分类损失函数值、类一致性损失函数值和超凸度量损失函数值来对所述特征提取器进行训练，以实现卷积神经网络提取出的车辆特征和标识线特征在高维空间内的特征流形间的
流形差异性能够适应高维空间的各子维度投影上的凸单调性。这样，就可以对路边停放的车辆是否违规进行准确地检测，以避免给城市交通带来负担。
[0060]
示例性系统
[0061]
图4图示了根据本技术实施例的用于路边停车系统的智能管理系统的框图。如图4所示，根据本技术实施例的用于路边停车系统的智能管理系统 400，包括：训练模块410和推断模块420。
[0062]
如图4所示，所述训练模块410，包括：监控图像获取单元411，用于通过部署于路边的摄像头获取路边停车位的监控图像；第一卷积单元412，用于将所述监控图像获取单元411获得的所述路边停车位的监控图像通过用于车辆检测的第一卷积神经网络以获得第一特征向量；第二卷积单元 413，用于将所述监控图像获取单元411获得的所述路边停车位的监控图像通过用于标志线检测的第二卷积神经网络以获得第二特征向量；分类损失函数值计算单元414，用于将所述第一卷积单元412获得的所述第一特征向量和所述第二卷积单元413获得的所述第二特征向量级联为分类特征向量后通过分类器以获得分类损失函数值；类一致性损失函数值计算单元415，用于计算所述第一卷积单元412获得的所述第一特征向量和所述第二卷积单元413获得的所述第二特征向量之间的类一致性损失函数值，所述类一致性损失函数值以所述第一特征向量和所述第二特征向量之间的余弦距离乘以预设系数为幂的自然指数函数值；超凸度量损失函数值计算单元416，用于计算所述第一卷积单元412获得的所述第一特征向量和所述第二卷积单元 413获得的所述第二特征向量之间的超凸度量损失函数值，所述超凸度量损失函数值为所述第一特征向量中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值；训练单元 417，用于计算所述分类损失函数值计算单元414获得的所述分类损失函数值、所述类一致性损失函数值计算单元415获得的所述类一致性损失函数值和所述超凸度量损失函数值计算单元416获得的所述超凸度量损失函数值的加权和作为损失函数值来对所述第一卷积神经网络和所述第二卷积神经网络进行训练。
[0063]
如图4所示，所述推断模块420，包括：推断模块，包括：推断数据获取单元421，用于通过部署于路边的摄像头获取路边停车位的监控图像；第一特征向量生成单元422，用于将所述推断数据获取单元421获得的所述路边停车位的监控图像通过经训练阶段训练完成的所述用于车辆检测的第一卷积神经网络以获得第一特征向量；第二特征向量生成单元423，用于将所述推断数据获取单元421获得的所述路边停车位的监控图像通过经训练阶段训练完成的所述用于标志线检测的第二卷积神经网络以获得第二特征向量；分类单元424，用于将所述第一特征向量生成单元422获得的所述第一特征向量和所述第二特征向量生成单元423获得的所述第二特征向量级联为分类特征向量后通过分类器以获得分类结果，所述分类结果用于表示停放车辆是否违规。
[0064]
在一个示例中，在上述用于路边停车系统的智能管理系统400中，所述第一卷积单元412和所述第二卷积单元413，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述路边停车位的监控图像；以及，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最
后一层生成所述第二特征向量，其中，所述第二卷积神经网络的第一层的输入为所述路边停车位的监控图像。
[0065]
在一个示例中，在上述用于路边停车系统的智能管理系统400中，所述分类损失函数值计算单元414，进一步用于：将所述第一特征向量和所述第二特征向量进行级联以获得分类特征向量；使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；其中，所述公式为： softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量；以及，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
[0066]
在一个示例中，在上述用于路边停车系统的智能管理系统400中，所述类一致性损失函数值计算单元415，进一步用于：以如下公式计算所述第一特征向量和所述第二特征向量之间的类一致性损失函数值；
[0067]
其中，所述公式诶：
[0068][0069]
其中cos(v1,v2)表示特征向量间的预先距离。
[0070]
在一个示例中，在上述用于路边停车系统的智能管理系统400中，所述超凸度量损失函数值计算单元416，进一步用于：以如下公式计算所述第一特征向量和所述第二特征向量之间的所述超凸度量损失函数值；
[0071]
其中，所述公式为：
[0072][0073]
其中v
1i
表示所述第一特征向量的各个位置的特征值，v
2i
表示所述第二特征向量中各个位置的特征值，|
·
|表示所述第一特征向量与所述第二特征向量之间的距离。
[0074]
在一个示例中，在上述用于路边停车系统的智能管理系统400中，所述停放车辆是否违规，包括：大客车是否占用小汽车的停车位。
[0075]
这里，本领域技术人员可以理解，上述用于路边停车系统的智能管理系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3b 的用于路边停车系统的智能管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0076]
如上所述，根据本技术实施例的用于路边停车系统的智能管理系统400 可以实现在各种终端设备中，例如用于路边停车系统的智能管理算法的服务器等。在一个示例中，根据本技术实施例的用于路边停车系统的智能管理系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于路边停车系统的智能管理系统400可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于路边停车系统的智能管理系统400同样可以是该终端设备的众多硬件模块之一。
[0077]
替换地，在另一示例中，该用于路边停车系统的智能管理系统400与该终端设备也可以是分立的设备，并且该用于路边停车系统的智能管理系统 400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0078]
示例性计算机程序产品和计算机可读存储介质
[0079]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的用于路边停车系统的智能管理方法中的功能中的步骤。
[0080]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0081]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于路边停车系统的智能管理方法中的步骤。
[0082]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0083]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0084]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0085]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0086]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0087]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。