本发明涉及计算机，尤其涉及一种停车场车型和车位的视觉ai推送方法及其系统。
背景技术：
1、停车场车型识别是智能交通系统中的一个重要环节，现有的停车场车型识别方法主要是激光雷达方法和rfid感应方法。激光雷达方法即通过激光雷达扫描车辆，获得三维点云数据，从而进行车型识别，但是，对于密集停车场或车辆靠得很近时，点云数据可能会出现重叠，影响识别效果。rfid感应方法即在车辆和停车场入口处安装rfid标签和读卡器，或者使用其他传感器(如压力传感器、超声波传感器)进行车型检测，但是，一般只能粗略识别车辆的存在状态，难以获取详细的车型信息。因此，如何降低车辆识别的误判概率，提高系统的鲁棒性成为业界亟待解决的技术问题。
技术实现思路
1、本发明提供一种停车场车型和车位的视觉ai推送方法及其系统，用以解决如何降低车辆识别的误判概率，提高系统的鲁棒性的技术问题。
2、本发明解决上述技术问题的技术方案如下：
3、本发明提供一种停车场车型和车位的视觉ai推送方法，包括：
4、采集待识别车辆的待识别车辆图像；
5、将所述待识别车辆图像输入车辆识别模型，得到所述车辆识别模型输出的所述待识别车辆图像的车型识别结果；其中，所述车辆识别模型是模型训练装置基于已知车辆图像样本和未知车辆图像样本对初始模型进行训练得到的；所述模型训练装置中的计算单元用于在所述初始模型的训练过程中降低所述未知车辆图像样本在所述已知车辆图像样本对应的类别标签下的输出概率，对所述已知车辆图像样本的特征模值进行放大，对所述未知车辆图像样本的特征模值进行缩小；所述车辆识别模型包括依次连接的特征提取网络、第二全连接层和损失函数层；所述特征提取网络包括多个依次连接的卷积层和第一全连接层；
6、获取所述待识别车辆当前的停车场；
7、基于所述车型识别结果在所述停车场的车位库中匹配得到目标停车位，并将所述目标停车位推送至所述待识别车辆。
8、本发明还提供一种停车场车型和车位的视觉ai推送系统，包括：
9、视觉采集单元，用于采集待识别车辆的待识别车辆图像；
10、车型识别单元，用于将所述待识别车辆图像输入车辆识别模型，得到所述车辆识别模型输出的所述待识别车辆图像的车型识别结果；其中，所述车辆识别模型是模型训练装置基于已知车辆图像样本和未知车辆图像样本对初始模型进行训练得到的；所述模型训练装置中的计算单元用于在所述初始模型的训练过程中降低所述未知车辆图像样本在所述已知车辆图像样本对应的类别标签下的输出概率，对所述已知车辆图像样本的特征模值进行放大，对所述未知车辆图像样本的特征模值进行缩小；所述车辆识别模型包括依次连接的特征提取网络、第二全连接层和损失函数层；所述特征提取网络包括多个依次连接的卷积层和第一全连接层；
11、获取单元，用于获取所述待识别车辆当前的停车场；
12、车位推送单元，用于基于所述车型识别结果在所述停车场的车位库中匹配得到目标停车位，并将所述目标停车位推送至所述待识别车辆。
13、本发明还提供一种电子设备，包括：存储器，用于存储计算机软件程序；处理器，用于读取并执行所述计算机软件程序，进而实现如上述任一种所述停车场车型和车位的视觉ai推送方法。
14、本发明还提供一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如上述任一种所述停车场车型和车位的视觉ai推送方法。
15、本发明还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述任一种所述停车场车型和车位的视觉ai推送方法。
16、本发明实施例将待识别车辆图像输入车辆识别模型，得到车辆识别模型输出的待识别车辆图像的车型识别结果；由于车辆识别模型是基于已知车辆图像样本和未知车辆图像样本训练得到的，已知类的样本和未知类的样本共同为模型提供了更全面的信息，有助于模型充分学习不同类别车辆特征的分布规律；由于车辆识别模型可以降低未知车辆图像样本在已知车辆图像样本对应的类别标签下的输出概率，使得未知类样本不容易被误识别为已知类；由于车辆识别模型可以对已知车辆图像样本的特征模值进行放大，对未知车辆图像样本的特征模值进行缩小，使得模型更容易识别到已知类样本中特征，因此降低了车辆识别的误判概率，提高了模型的泛化能力和车型识别结果的准确性。进一步地，通过车辆识别模型识别出的车型识别结果在所述停车场的车位库中匹配，从而准确地为待识别车辆推送符合自身车型的停车位。
1.一种停车场车型和车位的视觉ai推送方法，其特征在于，包括：
2.根据权利要求1所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述车辆识别模型是基于如下步骤训练得到的：
3.根据权利要求2所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述第一分类损失函数用于确定所述已知车辆图像样本的分类损失；所述第一约束函数用于对所述已知车辆图像样本的特征模值进行放大；所述第二分类损失函数用于确定所述未知车辆图像样本在所述已知车辆图像样本对应的类别标签下的分类损失；所述第二约束函数用于对所述未知车辆图像样本的特征模值进行缩小。
4.根据权利要求2所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述确定各个已知车辆图像样本的第一分类损失函数，包括：
5.根据权利要求2所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述确定各个已知车辆图像样本的第一约束函数，包括：
6.根据权利要求2所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述确定各个未知车辆图像样本的第二分类损失函数，包括：
7.根据权利要求2所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述确定各个未知车辆图像样本的第二约束函数，包括：
8.根据权利要求2所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述基于所述训练数据集对初始模型进行训练，包括：
9.根据权利要求2至8任一项所述的停车场车型和车位的视觉ai推送方法，其特征在于，所述确定训练数据集，包括：
10.一种停车场车型和车位的视觉ai推送系统，其特征在于，包括：
