[发明专利]一种识别状态模型的训练方法、装置及计算机设备

说明书

本发明公开了一种识别状态模型的训练方法、装置及计算机设备，用于解决现有的模型对类间数据检测的准确性较低的技术问题。该方法包括：确定待训练的第一样本数据集和第二样本数据集；对第一样本数据集和第二样本数据集中的每个图像进行关键点定位处理，获得处理后的第一样本数据集和处理后的第二样本数据集；以及，将处理后的第一样本数据集中的每个图像中的关键点，与处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理，获得融合样本数据集；基于融合样本集、第一样本数据集以及第二样本数据集对预设模型进行训练，获得训练后的识别状态模型，以通过训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。

技术领域

本发明涉及计算机技术领域，尤其涉及一种识别状态模型的训练方法、装置及计算机设备。

背景技术

目前，数据增广是深度学习中常用的技巧之一，主要用于增加训练数据集，让数据尽可能的多样化，使得训练的模型具有更强的泛化能力，通过数据增广增加数据的样本,使样本之间相对平衡，从而提升训练的模型的准确率。

然而，类似于车辆后备箱或车门处于打开状态的素材，由于较难收集，因此只能通过传统形式的数据增广来扩充单一样本数量。而增广的方式均为类内增广，即若素材图像中是后备箱或车门打开的图像，则增广后所有图像均为后备箱或车门打开的图像。

这样的方式，对类间数据并没有任何形式的处理方式，从而导致基于类内增广的训练的模型对类间数据检测的准确性较低。

发明内容

本发明公开了一种识别状态模型的训练方法、装置及计算机设备，用于解决现有的模型对类间数据检测的准确性较低的技术问题。

根据本发明的第一方面，提供一种识别状态模型的训练方法，所述方法包括：

确定待训练的第一样本数据集和第二样本数据集，其中，所述第一样本数据集包括用于表征车辆后备箱或车门处于完全打开状态的多个图像，所述第二样本数据集包括用于表征车辆后备箱或车门处于完全关闭状态的多个图像；

对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理，获得处理后的第一样本数据集和处理后的第二样本数据集；以及，

将所述处理后的第一样本数据集中的每个图像中的关键点，与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理，获得融合样本数据集，所述融合样本数据集包括用于表征车辆后备箱或车门处于完全打开状态或完全关闭状态或完全关闭和完全打开中间的状态的多个图像；

基于所述融合样本集、所述第一样本数据集以及所述第二样本数据集对预设模型进行训练，获得训练后的识别状态模型，以通过所述训练后的识别状态模型对待检测的帧图像中后备箱或车门的状态进行检测。

在一种可能的实施方式中，对所述第一样本数据集和所述第二样本数据集中的每个图像进行关键点定位处理，获得处理后的第一样本数据集和处理后的第二样本数据集，包括：

确定所述第一样本数据集和所述第二样本数据集中的每个图像均包括的关键特征点的位置，并基于预设规则筛选关键点，其中，所述预设规则为所述关键点包括在从第一预设角度或方向拍摄和/或前方拍摄车辆时所采集到的图像中；

对所述第一样本数据集和所述第二样本数据集中的每个图像中的关键点进行标注，获得处理后的第一样本数据集和处理后的第二样本数据集。

在一种可能的实施方式中，将所述处理后的第一样本数据集中的每个图像中的关键点，与所述处理后的第二样本数据集中的每个图像中的关键点进行一一对应融合处理，获得融合样本数据集，包括：

确定所述处理后的第一样本数据集中的第一图像中的关键点，并确定所述处理后的第二样本数据集中的第二图像中的关键点；