[發明專利]一種識別狀態模型的訓練方法、裝置及計算機設備

在審

• 申請號: 202011307328.X
• 申請日: 2020-11-20
• 公開（公告）號: CN112418303A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 杜治江;王耀農;余言勛;張震;劉智輝;肖鐘雯
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 劉金玲

本發明公開了一種識別狀態模型的訓練方法、裝置及計算機設備，用于解決現有的模型對類間數據檢測的準確性較低的技術問題。該方法包括：確定待訓練的第一樣本數據集和第二樣本數據集；對第一樣本數據集和第二樣本數據集中的每個圖像進行關鍵點定位處理，獲得處理后的第一樣本數據集和處理后的第二樣本數據集；以及，將處理后的第一樣本數據集中的每個圖像中的關鍵點，與處理后的第二樣本數據集中的每個圖像中的關鍵點進行一一對應融合處理，獲得融合樣本數據集；基于融合樣本集、第一樣本數據集以及第二樣本數據集對預設模型進行訓練，獲得訓練后的識別狀態模型，以通過訓練后的識別狀態模型對待檢測的幀圖像中后備箱或車門的狀態進行檢測。

技術領域

本發明涉及計算機技術領域，尤其涉及一種識別狀態模型的訓練方法、裝置及計算機設備。

背景技術

目前，數據增廣是深度學習中常用的技巧之一，主要用于增加訓練數據集，讓數據盡可能的多樣化，使得訓練的模型具有更強的泛化能力，通過數據增廣增加數據的樣本,使樣本之間相對平衡，從而提升訓練的模型的準確率。

然而，類似于車輛后備箱或車門處于打開狀態的素材，由于較難收集，因此只能通過傳統形式的數據增廣來擴充單一樣本數量。而增廣的方式均為類內增廣，即若素材圖像中是后備箱或車門打開的圖像，則增廣后所有圖像均為后備箱或車門打開的圖像。

這樣的方式，對類間數據并沒有任何形式的處理方式，從而導致基于類內增廣的訓練的模型對類間數據檢測的準確性較低。

發明內容

本發明公開了一種識別狀態模型的訓練方法、裝置及計算機設備，用于解決現有的模型對類間數據檢測的準確性較低的技術問題。

根據本發明的第一方面，提供一種識別狀態模型的訓練方法，所述方法包括：

確定待訓練的第一樣本數據集和第二樣本數據集，其中，所述第一樣本數據集包括用于表征車輛后備箱或車門處于完全打開狀態的多個圖像，所述第二樣本數據集包括用于表征車輛后備箱或車門處于完全關閉狀態的多個圖像；

對所述第一樣本數據集和所述第二樣本數據集中的每個圖像進行關鍵點定位處理，獲得處理后的第一樣本數據集和處理后的第二樣本數據集；以及，

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

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

在一種可能的實施方式中，對所述第一樣本數據集和所述第二樣本數據集中的每個圖像進行關鍵點定位處理，獲得處理后的第一樣本數據集和處理后的第二樣本數據集，包括：

確定所述第一樣本數據集和所述第二樣本數據集中的每個圖像均包括的關鍵特征點的位置，并基于預設規則篩選關鍵點，其中，所述預設規則為所述關鍵點包括在從第一預設角度或方向拍攝和/或前方拍攝車輛時所采集到的圖像中；

對所述第一樣本數據集和所述第二樣本數據集中的每個圖像中的關鍵點進行標注，獲得處理后的第一樣本數據集和處理后的第二樣本數據集。

在一種可能的實施方式中，將所述處理后的第一樣本數據集中的每個圖像中的關鍵點，與所述處理后的第二樣本數據集中的每個圖像中的關鍵點進行一一對應融合處理，獲得融合樣本數據集，包括：

確定所述處理后的第一樣本數據集中的第一圖像中的關鍵點，并確定所述處理后的第二樣本數據集中的第二圖像中的關鍵點；