[發(fā)明專利]一種識別狀態(tài)模型的訓練方法、裝置及計算機設(shè)備

在審

• 申請?zhí)枺?/td>: 202011307328.X
• 申請日: 2020-11-20
• 公開（公告）號: CN112418303A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 杜治江;王耀農(nóng);余言勛;張震;劉智輝;肖鐘雯
• 申請（專利權(quán)）人: 浙江大華技術(shù)股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京同達信恒知識產(chǎn)權(quán)代理有限公司 11291
• 代理人: 劉金玲

1.一種識別狀態(tài)模型的訓練方法，其特征在于，所述方法包括：

確定待訓練的第一樣本數(shù)據(jù)集和第二樣本數(shù)據(jù)集，其中，所述第一樣本數(shù)據(jù)集包括用于表征車輛后備箱或車門處于完全打開狀態(tài)的多個圖像，所述第二樣本數(shù)據(jù)集包括用于表征車輛后備箱或車門處于完全關(guān)閉狀態(tài)的多個圖像；

對所述第一樣本數(shù)據(jù)集和所述第二樣本數(shù)據(jù)集中的每個圖像進行關(guān)鍵點定位處理，獲得處理后的第一樣本數(shù)據(jù)集和處理后的第二樣本數(shù)據(jù)集；以及，

將所述處理后的第一樣本數(shù)據(jù)集中的每個圖像中的關(guān)鍵點，與所述處理后的第二樣本數(shù)據(jù)集中的每個圖像中的關(guān)鍵點進行一一對應融合處理，獲得融合樣本數(shù)據(jù)集，所述融合樣本數(shù)據(jù)集包括用于表征車輛后備箱或車門處于完全打開狀態(tài)或完全關(guān)閉狀態(tài)或完全關(guān)閉和完全打開中間的狀態(tài)的多個圖像；

基于所述融合樣本集、所述第一樣本數(shù)據(jù)集以及所述第二樣本數(shù)據(jù)集對預設(shè)模型進行訓練，獲得訓練后的識別狀態(tài)模型，以通過所述訓練后的識別狀態(tài)模型對待檢測的幀圖像中后備箱或車門的狀態(tài)進行檢測。

2.如權(quán)利要求1所述的方法，其特征在于，對所述第一樣本數(shù)據(jù)集和所述第二樣本數(shù)據(jù)集中的每個圖像進行關(guān)鍵點定位處理，獲得處理后的第一樣本數(shù)據(jù)集和處理后的第二樣本數(shù)據(jù)集，包括：

確定所述第一樣本數(shù)據(jù)集和所述第二樣本數(shù)據(jù)集中的每個圖像均包括的關(guān)鍵特征點的位置，并基于預設(shè)規(guī)則篩選關(guān)鍵點，其中，所述預設(shè)規(guī)則為所述關(guān)鍵點包括在從預設(shè)角度或方向拍攝車輛時所采集到的圖像中；

對所述第一樣本數(shù)據(jù)集和所述第二樣本數(shù)據(jù)集中的每個圖像中的關(guān)鍵點進行標注，獲得處理后的第一樣本數(shù)據(jù)集和處理后的第二樣本數(shù)據(jù)集。

3.如權(quán)利要求1或2所述的方法，其特征在于，將所述處理后的第一樣本數(shù)據(jù)集中的每個圖像中的關(guān)鍵點，與所述處理后的第二樣本數(shù)據(jù)集中的每個圖像中的關(guān)鍵點進行一一對應融合處理，獲得融合樣本數(shù)據(jù)集，包括：

確定所述處理后的第一樣本數(shù)據(jù)集中的第一圖像中的關(guān)鍵點，并確定所述處理后的第二樣本數(shù)據(jù)集中的第二圖像中的關(guān)鍵點；

將所述第一圖像中的關(guān)鍵點的橫坐標對應的第一處理值，與所述第二圖像中與所述橫坐標相同的關(guān)鍵點的橫坐標對應的第二處理值進行相加處理，獲得融合圖像中關(guān)鍵點的橫坐標；以及，

將所述第一圖像中的關(guān)鍵點的縱坐標對應的第三處理值，與所述第二圖像中與所述縱坐標相同的關(guān)鍵點的縱坐標對應的第四處理值進行相加處理，獲得所述融合圖像中關(guān)鍵點的縱坐標；

將所述第一圖像中的關(guān)鍵點對應的色彩數(shù)值信息和所述第二圖像中的關(guān)鍵點對應的色彩數(shù)值信息進行融合，確定所述融合圖像中關(guān)鍵點的色彩數(shù)值信息；

基于所述融合圖像中的關(guān)鍵點的橫坐標和縱坐標，確定所述融合圖像中關(guān)鍵點所處的位置，并基于所述融合圖像中關(guān)鍵點的色彩數(shù)值信息和所述關(guān)鍵點所處的位置，獲得對應的融合圖像，以獲得融合樣本數(shù)據(jù)集。

4.如權(quán)利要求3所述的方法，其特征在于，基于所述融合樣本集、所述第一樣本數(shù)據(jù)集以及所述第二樣本數(shù)據(jù)集對預設(shè)模型進行訓練，獲得訓練后的識別狀態(tài)模型，包括：

將融合樣本集、所述第一樣本數(shù)據(jù)集以及所述第二樣本數(shù)據(jù)集輸入到預設(shè)模型中進行訓練，獲得多個輸出結(jié)果；其中，所述多個輸出結(jié)果進行多次訓練所獲得的；

確定整體損失函數(shù)，其中，所述整體損失函數(shù)為對所述第一樣本數(shù)據(jù)集進行狀態(tài)識別處理確定的第一損失函數(shù)和對所述第二樣本數(shù)據(jù)集進行所述狀態(tài)識別處理確定的第二損失函數(shù)進行加權(quán)計算所獲得的；

基于所述多個輸出結(jié)果和所述整體損失函數(shù)對所述預設(shè)模型進行訓練，若所述整體損失函數(shù)對應的值小于預定閾值，則確定所述訓練后的所述識別狀態(tài)模型已收斂，獲得所述訓練后的識別狀態(tài)模型。

5.如權(quán)利要求4所述的方法，其特征在于，確定整體損失函數(shù)，包括：

所述整體損失函數(shù)通過以下方式進行計算：

loss＝λ*loss1+(1-λ)loss2；

其中，loss用于表征整體損失函數(shù)，loss1用于表征第一損失函數(shù)，loss2用于表征第二損失函數(shù)，λ用于表征權(quán)值。