目标识别的训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种目标识别的训练方法、装置、计算机设备和存储介质。所述方法包括：获取视频流数据，所述视频流数据包括多帧图像；读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；根据所述识别概率对相应的样本图像集中的样本进行调节处理；利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。采用本方法能够解决样本不平衡的情况下导致的模型学习效果差的问题，由此使得训练后的识别模型可以进行精确的目标识别，避免了训练模型出现欠拟合和过拟合的问题。

Training method, device, computer equipment and storage medium of target recognition

【技术实现步骤摘要】
目标识别的训练方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种目标识别的训练方法、装置、计算机设备和存储介质。
技术介绍
随着机器学习和深度学习技术的发展，越来越多的用户使用深度学习技术对目标进行识别。在人工智能领域中,机器学习和深度学习需要通过学习大量的样本案例,改善机器判断的精准度。尤其在机器视觉领域的特定目标识别中,需要把具有目标的样本图像标记出来,对目标样本图像集进行大量的训练，从而使得训练模型具备可以同时识别多种目标样本的能力。然而，在目前目标识别的训练方式中，通过随机抽取随机条目的数据进行复制，再将上述随机抽取的数据加入到原始样本中，难以解决学习样本不平衡的问题，因而极易造成训练模型欠拟合和过拟合的问题，从而导致训练后的识别模型难以进行精确的目标识别。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够解决学习样本不平衡问题的目标识别的训练方法、装置、计算机设备和存储介质。一种目标识别的训练方法，所述方法包括：获取视频流数据，所述视频流数据包括多帧图像；读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；根据所述识别概率对相应的样本图像集中的样本进行调节处理；利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。在其中一个实施例中，所述利用识别模型对多个类别的所述样本图像集进行训练，包括：获取每个类别的样本图像集对应的样本数量；选取最小的样本数量作为标准单位量；将每个类别的样本图像集的样本数量，按照所述标准单位量进行等分，得到对应的多个标准单位量样本图像集；对所述每个类别的样本图像集对应的标准单位量样本图像集进行训练。在其中一个实施例中，所述根据所述识别概率对相应的样本图像集中的样本进行调节处理，包括：获取所述样本图像集对应的样本比例；当所述样本比例达到第一阈值时，将所述样本比例对应类别的样本图像集标记为多数类别的样本图像集；获取所述多数类别的样本图像集对应的目标坐标精确度；将所述目标坐标精确度与预设目标坐标精确度进行相似度匹配，得到与多数类别对应的识别概率；当所述识别概率大于预设识别概率时，对所述识别概率对应的多数类别的样本图像集进行裁剪处理，直至所述多数类别的样本图像集对应的样本数量达到数据平衡合理范围。在其中一个实施例中，所述根据所述识别概率对相应的样本图像集中的样本进行调节处理，包括：获取所述样本图像集对应的样本比例；当所述样本比例达到第二阈值时，将所述样本比例对应类别的样本图像集标记为少数类别的样本图像集；获取所述少数类别的样本图像集对应的目标坐标精确度；将所述目标坐标精确度与预设目标坐标精确度进行相似度匹配，得到与少数类别对应的识别概率；当所述识别概率小于预设识别概率时，对所述识别概率对应的少数类别的样本图像集进行增强处理，直至所述少数类别的样本图像集对应的样本数量达到数据平衡合理范围。在其中一个实施例中，所述对所述识别概率对应的少数类别的样本图像集进行增强处理，包括：对所述少数类别的样本图像集中的样本图像进行随机抽取，得到随机抽取的原样本图像；对所述原样本图像的亮度和对比度进行随机调节，得到新增样本图像；对所述原样本图像进行遮挡处理，得到新增样本图像。在其中一个实施例中，所述利用调节后的样本图像集对所述识别模型进行优化，包括：通过调节所述识别模型中的损失函数，向所述识别模型添加调节后的样本图像集的样本数量比例权重，对所述识别模型进行优化。一种目标识别的训练装置，所述装置包括：获取模块，用于获取视频流数据，所述视频流数据包括多帧图像；生成模块，用于读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；训练模块，用于利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；调节模块，用于根据所述识别概率对相应的样本图像集中的样本进行调节处理；优化模块，用于利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取视频流数据，所述视频流数据包括多帧图像；读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；根据所述识别概率对相应的样本图像集中的样本进行调节处理；利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取视频流数据，所述视频流数据包括多帧图像；读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；根据所述识别概率对相应的样本图像集中的样本进行调节处理；利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。上述目标识别的训练方法、装置、计算机设备和存储介质，通过获取视频流数据，视频流数据包括多帧图像。读取图像，在图像中检测相应的目标，利用目标生成多个类别的样本图像集。利用识别模型对多个类别的样本图像集进行训练，得到与类别对应的识别概率。根据识别概率对相应的样本图像集中的样本进行调节处理。利用调节后的样本图像集对识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。相对于传统的目标识别训练方式，通过对不同类别的样本图像集之间的样本数量关系进行分析，将增强少数类别样本和减弱多数类别样本高效有机的融合应用，达到平衡样本库中类间样本数量的作用，同时也不影响神经网络的学习训练质量，即根据样本库中不同类别的样本图像集之间的样本数量关系，采用动态的处理方案解决样本不平衡的情况下导致的模型学习效果差的问题，由此使得训练后的识别模型可以进行精确的目标识别，避免了训练模型出现欠拟合和过拟合的问题。附图说明图1为一个实施例中目标识别的训练方法的应用场景图；图2为一个实施例中目标识别的训练方法的流程示意图；图3为一个实施例中利用识别模型对多个类别的样本图像集进行训练步骤的流程示意图；图4为一个实施例中根据识别概率对相应的样本图像集中的样本进行调节处理步骤的流程示意图；图5为另一个实施例中根据识别概率对相应的样本图像集中的样本文档来自技高网...

【技术保护点】
1.一种目标识别的训练方法，所述方法包括：/n获取视频流数据，所述视频流数据包括多帧图像；/n读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；/n利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；/n根据所述识别概率对相应的样本图像集中的样本进行调节处理；/n利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。/n

【技术特征摘要】
1.一种目标识别的训练方法，所述方法包括：
获取视频流数据，所述视频流数据包括多帧图像；
读取所述图像，在所述图像中检测相应的目标，利用所述目标生成多个类别的样本图像集；
利用识别模型对多个类别的所述样本图像集进行训练，得到与类别对应的识别概率；
根据所述识别概率对相应的样本图像集中的样本进行调节处理；
利用调节后的样本图像集对所述识别模型进行优化，通过调节后的样本图像集对优化后的识别模型进行训练。


2.根据权利要求1所述的方法，其特征在于，所述利用识别模型对多个类别的所述样本图像集进行训练，包括：
获取每个类别的样本图像集对应的样本数量；
选取最小的样本数量作为标准单位量；
将每个类别的样本图像集的样本数量，按照所述标准单位量进行等分，得到对应的多个标准单位量样本图像集；
对所述每个类别的样本图像集对应的标准单位量样本图像集进行训练。


3.根据权利要求1所述的方法，其特征在于，所述根据所述识别概率对相应的样本图像集中的样本进行调节处理，包括：
获取所述样本图像集对应的样本比例；
当所述样本比例达到第一阈值时，将所述样本比例对应类别的样本图像集标记为多数类别的样本图像集；
获取所述多数类别的样本图像集对应的目标坐标精确度；
将所述目标坐标精确度与预设目标坐标精确度进行相似度匹配，得到与多数类别对应的识别概率；
当所述识别概率大于预设识别概率时，对所述识别概率对应的多数类别的样本图像集进行裁剪处理，直至所述多数类别的样本图像集对应的样本数量达到数据平衡合理范围。


4.根据权利要求1所述的方法，其特征在于，所述根据所述识别概率对相应的样本图像集中的样本进行调节处理，包括：
获取所述样本图像集对应的样本比例；
当所述样本比例达到第二阈值时，将所述样本比例对应类别的样本图像集标记为少数类别的样本图像集；
获取所述少数类别的样本图像集对应的目标坐标精确度；
将所述目标坐标精确度与预设目标坐标精确度进行相似度匹配，得到与少数类别对应的识别概率；
当所述识别概率小于预设识别概率时，对所述识别概率对应的少数类别的样本图像集进行增强处理，直至所述少数...

【专利技术属性】
技术研发人员：岑俊毅，李立赛，傅东生，
申请(专利权)人：深圳奇迹智慧网络有限公司，
类型：发明
国别省市：广东;44