[发明专利]一种模型训练装置和方法

权利要求书

1.一种模型训练装置，其特征在于，所述装置包括：

样本集确定模块，用于确定神经网络模型的原始训练样本集，所述原始训练样本集包括样本视频，所述本视频包括已标注样本图，所述已标注样本图包括数量为预设数量的边界框，所述边界框用于表征所述样本视频中的一帧图像中的物体的特征信息；

第一模型构建模块，用于基于所述已标注样本图构建目标识别模型，所述目标识别模型用于识别所述样本视频中物体的特征信息；

第二模型构建模块，用于基于所述目标识别模型构建分类模型，所述分类模型用于检测所述边界框的有效性。

2.如权利要求1所述的装置，其特征在于，所述第一模型构建模块包括：

视频采集单元，用于按照预设播放顺序对所述样本视频中前后相邻帧图像进行遍历，其中，所述预设播放顺序包括视频正放顺序和视频倒放顺序；获取遍历到的前后相邻帧图像之间的重叠度，在所述重叠度大于预设重叠阈值时，将遍历到的前后相邻帧图像送入目标帧图像集合；

已标注帧获取单元，用于从所述目标帧图像集合中选取已标注帧图像，所述已标注帧图像包括已标注边界框，确定所述已标注边界框的位置和类别；

第一模型训练单元，用于使用预设训练网络集合对所述神经网络模型进行迁移学习训练，得到迁移学习训练图像数据；

图像识别跟踪单元，用于对迁移学习训练图像数据进行识别，得到识别出的内容数据；

滤波单元，用于对所述识别出的内容数据进行过滤，得到过滤后的数据；

所述模型训练单元，还用于使用所述预设训练网络集合对所述过滤后的数据进行迁移学习训练，得到第一训练数据结果，并将所述第一训练数据结果保存到训练样本集。

3.如权利要求2所述的装置，其特征在于，所述第一模型构建模块还包括：

无标注帧获取单元，用于从所述目标帧图像集合中选取无标注帧图像，所述无标注帧图像中不存在边界框；

图像识别跟踪单元，还用于对所述无标注帧图像进行识别，识别出无标签物体，并对所述无标签物体构建新的标签类型的边界框；

滤波单元，还用于对所述新的标签类型的边界框进行过滤，将过滤后的所述新的标签类型的边界框作为扩充边界框保存到所述训练样本集。

4.如权利要求1-3任一项所述的装置，其特征在于，所述第二模型构建模块包括：

第二模型训练单元，用于使用所述预设训练网络集合对所述训练样本集进行迁移学习训练，得到第二迁移学习训练图像数据；

图像裁剪单元，用于对所述第二迁移学习训练图像数据进行图像裁剪，得到边界框范围图像数据；

分类训练单元，用于使用卷积神经网络对所述边界框范围图像数据进行训练，以完成分类模型的构建。

5.如权利要求1-3任一项所述的装置，其特征在于，所述装置还包括目标识别模块，所述目标识别模块包括：

采集单元，用于采集目标视频；

识别单元，用于基于所述目标识别模型从所述目标视频的各帧图像中识别出各个目标边界框；获取所述目标边界框的尺寸大小、位置和类别；

第一分组单元，用于将前后相邻帧图像中位置的重叠度大于预设阈值的目标边界框分到一组，得到多个边界框标签组；

滤波单元，用于对所述多个边界框标签组进行滤波处理；

判断单元，用于基于所述分类模型并使用softmax函数分别计算各个边界框标签组的最大概率值，将最大概率值超过预设概率阈值的边界框标签组作为有效标签组；

第二分组单元，用于剔除最大概率值不超过所述预设概率阈值的无效标签组，获取所述有效标签组的目标边界框的类别，根据所述有效标签组中的目标边界框的类别确定对应的目标物体。

6.一种模型训练方法，其特征在于，所述方法包括：

确定神经网络模型的原始训练样本集，所述原始训练样本集包括样本视频，所述本视频包括已标注样本图，所述已标注样本图包括数量为预设数量的边界框，所述边界框用于表征所述样本视频中的一帧图像中的物体的特征信息；

基于所述已标注样本图构建目标识别模型，所述目标识别模型用于识别所述样本视频中物体的特征信息；

基于所述目标识别模型构建分类模型，所述分类模型用于检测所述边界框的有效性。