1.高速服务区车位识别方法，包括以下步骤：

Step 1：构建高速服务区停车场数据集M，训练数据集T，验证数据集V，标注车辆类别数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；

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，具体包括：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的车辆样本与停车场背景样本置信度的损失函数；同理， 表示车辆预测框的损失函数， 表示车辆类别的损失函数，λ∈Q为损失函数 参数； 和 分别表示车辆目

标和停车场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个锚点预测的前景车辆概率值，同理，表示相对应的停车场背景概率值； 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 分别表示车辆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 分别表示车辆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个锚点预测的车辆类别预测值；

同理， 表示车辆类别的标定状态， 表示车辆样本进行预测， 表示是否对停车场背景样本进行预测，具体计算如下：其中参数α∈(0,1)；iouj表示锚点mj在第i个网格中锚点框与车辆标定框的交叠率，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，设置车位总数为sum∈N+，输出当前视频监测区域的目标检测车辆数num∈N+，则空余车位s_num＝sum-num。