1.机动车违停监测方法，包括以下步骤：

Step 1：构建机动车样本数据集M，训练数据集T，验证数据集V，标注机动车样本类别数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；

ζ＝Card(V)/Card(T)

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，具体包括：

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的机动车样本与街道背景样本置信度的损失函数；同理， 表示机动车样本预测框的损失函数，表示机动车类别的损失函数，λ∈Q为损失函数 参数； 和 分别表

示机动车样本目标和街道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个锚点预测的前景机动车样本概率值，同理， 表示相对应的街道背景概率值； 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 分别表示机动车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 分别表示机动车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个锚点预测的机动车样本类别预测值；同理， 表示机动车样本类别的标定状态， 表示机动车样本进行预测， 表示是否对街道背景样本进行预测，具体计算如下：其中参数α∈(0,1)；iouj表示锚点mj在第i个网格中锚点框与机动车样本标定框的交叠率，miou表示最大交叠率；

Step 4：利用Step 3中的一阶段目标检测算法模型的损失函数，对模型进行梯度下降法训练，直至模型收敛；在系统运行阶段，利用一阶目标检测模型提取网络特征值，并基于K-means聚类方法确定锚点，在系统运行阶段，设置报警时间为timer，当系统模型检测到机动车时，自动记录其所属的详细类别、位置信息，并开始计时，超过给定的时间timer后，如果再次检测到的机动车详细类别和位置信息与之前检测到的信息一致，则发出告警。