[發明專利]目標對象識別模型訓練方法、識別方法及識別裝置

有效

• 申請號: 202110335318.5
• 申請日: 2021-03-29
• 公開（公告）號: CN112906823B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 岳邦珊;鄒文藝;楊秀平
• 申請（專利權）人: 蘇州科達科技股份有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海隆天律師事務所 31282
• 代理人: 潘一諾

本申請提供一種目標對象識別模型訓練方法、識別方法及識別裝置，訓練方法包括：獲取樣本圖像；將樣本圖像、目標對象以及目標對象的位置，輸入目標對象識別模型；目標框細化模塊基于樣本圖像生成樣本框；分別計算樣本框為正樣本框和負樣本框的權重；目標檢測模塊至少基于樣本圖像、目標框細化模塊生成的樣本框進行目標識別；根據目標對象識別模型的損失函數對目標對象識別模型進行訓練，目標對象識別模型的損失函數根據目標框細化模塊的損失函數以及目標檢測模塊的損失函數計算，目標框細化模塊的損失函數至少根據樣本框為正樣本框的權重以及負樣本框的權重計算。本申請提高模型識別準確度。

技術領域

本申請涉及圖像處理領域，尤其涉及一種目標對象識別模型訓練方法、識別方法及識別裝置。

背景技術

隨著經濟的加速發展，城市的機動車輛增加迅速，和車輛相關的治安和刑事案件也逐年增多，嚴重影響了人民群眾的利益和社會治安。為了城市的可持續發展，平安城市、智慧城市已經成為了當今城市發展的重要部分。從車輛監控取證案件的過程中利用人工查找搜尋違法犯罪車輛的屬性特征，不僅耗費巨大人力和物力，且過程較難實現。利用基于卷積神經網絡的車輛屬性檢測可以較快的實現監控取證。通常形狀不規則、模糊、易混淆的車輛屬性特征，易增加車輛屬性檢測的難度。利用卷積神經網絡檢測過程中當正負樣本不均衡時，會使車輛屬性的檢測結果出現較大誤差導致檢測精度下降。

名稱為《一種深度學習目標檢測的正負樣本平衡方法》，申請號為201910099959.8的專利，利用候選區域與真實區域間的交并比來篩選正負樣本，選擇交并比大的候選框作為正樣本，拋棄交并比小的候選框。交并比的方法需人為設定閾值，人工干預因素較大，在訓練過程中也容易將包含有用特性信息的目標框誤刪除，加大檢測結果誤差。

由此，如何優化目標對象識別模型的訓練，從而避免正負樣本由于人工干預因素以及目標框誤刪除的原因導致的識別誤差，是本領域技術人員亟待解決的技術問題。

發明內容

本申請為了克服上述現有技術存在的缺陷，提供一種目標對象識別模型訓練方法、識別方法及識別裝置，從而優化目標對象識別模型的訓練，從而避免正負樣本由于人工干預因素以及目標框誤刪除的原因導致的識別誤差。

根據本申請的一個方面，提供一種目標對象識別模型訓練方法，所述目標對象識別模型包括目標框細化模塊和目標檢測模塊，所述目標框細化模塊將識別的目標框傳輸至目標檢測模塊以進行目標對象的識別，包括：

獲取樣本圖像；

將所述樣本圖像、目標對象以及目標對象的位置，輸入所述目標對象識別模型；

所述目標框細化模塊基于樣本圖像生成樣本框；

分別計算所述樣本框為正樣本框和負樣本框的權重；

所述目標檢測模塊至少基于所述樣本圖像、所述目標框細化模塊生成的樣本框進行目標識別；

根據所述目標對象識別模型的損失函數對所述目標對象識別模型進行訓練，所述目標對象識別模型的損失函數根據所述目標框細化模塊的損失函數以及所述目標檢測模塊的損失函數計算，所述目標框細化模塊的損失函數至少根據所述樣本框為正樣本框的權重以及負樣本框的權重計算。

在本申請的一些實施例中，所述計算所述樣本框為正樣本框和負樣本框的權重包括：

基于圖像分布以及概率權重計算所述樣本框為正樣本框的權重；

計算所述樣本框為負樣本框的權重。

在本申請的一些實施例中，所述基于圖像分布以及概率權重計算所述樣本框為正樣本框的權重包括：

基于所述目標對象的位置計算所述樣本框的高斯分布

計算所述正樣本框的概率權重，所述概率權重指示所述正樣本框包含目標對象的概率；