模型训练方法、移动对象识别方法、装置及设备制造方法及图纸

本发明专利技术实施例提供了一种模型训练方法、移动对象识别方法、装置及设备。方法包括：获取包括预设对象的训练图像以及与预设对象相对应的身份信息；利用第一机器学习模型对训练图像进行处理,获得与训练图像相对应的第一训练特征；利用第二机器学习模型对训练图像进行处理,获得与训练图像相对应的第二训练特征,第一机器学习模型与第二机器学习模型不同，第一训练特征与第二训练特征不同；基于第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型。通过对多维度特征信息的学习训练获得目标模型，通过目标模对图像进行有效识别，有效地保证了目标模型使用的准确可靠性。可靠性。可靠性。

【技术实现步骤摘要】
模型训练方法、移动对象识别方法、装置及设备


[0001]本专利技术涉及数据处理
，尤其涉及一种模型训练方法、移动对象识别方法、装置及设备。

技术介绍

[0002]随着经济的飞速发展，车辆的应用越来越普及，而车辆的识别与管理也越来越重要。目前，车辆的识别方式通常包括：提取目标车辆的视觉特征(例如：颜色、外观以及品牌等等)，而后利用所提取的车辆的视觉特征来定位数据库中与目标车辆在视觉上最为相似的车辆。
[0003]然而，由于同一车辆在不同时间被不同的摄像头捕捉到的车辆图像可能会因不同的摄像参数(例如：分辨率、视角、高度等等)和不同的环境条件(例如：光照、车速、天气等等)而差异较大，并且，不同的车辆也可能具有非常相似的颜色、形状，尤其是同一个汽车厂商所生产的车辆更加容易混淆。因此，仅仅依赖视觉特征不足以实现对车辆进行准确、有效地识别。

技术实现思路

[0004]本专利技术实施例提供了一种模型训练方法、移动对象识别方法、装置及设备，通过对多维度特征信息的学习训练获得目标模型，而后可以利用目标模型在不同的摄像参数、环境条件下，实现快速、准确地对移动对象进行识别，进而便于基于识别结果对移动对象进行管理。
[0005]第一方面，本专利技术实施例提供了一种模型训练方法，包括：
[0006]获取包括预设对象的训练图像以及与所述预设对象相对应的身份信息；
[0007]利用第一机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征；
[0008]利用第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第二训练特征,其中,所述第一机器学习模型与所述第二机器学习模型不同，所述第一训练特征与所述第二训练特征不同；
[0009]基于所述第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型。
[0010]第二方面，本专利技术实施例提供了一种模型训练装置，包括：
[0011]第一获取模块，用于获取包括预设对象的训练图像以及与所述预设对象相对应的身份信息；
[0012]第一处理模块，用于利用第一机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征；
[0013]所述第一处理模块，用于利用第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第二训练特征,其中,所述第一机器学习模型与所述第二机器学
习模型不同，所述第一训练特征与所述第二训练特征不同；
[0014]第一训练模块，用于基于所述第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型。
[0015]第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的模型训练方法。
[0016]第四方面，本专利技术实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面中的模型训练方法。
[0017]第五方面，本专利技术实施例提供了一种移动对象识别方法，包括：
[0018]获取待处理图像以及多个参考图像，其中，所述待处理图像中包括待识别移动对象，所述多个参考图像中包括多个参考移动对象；
[0019]确定与所述待处理图像相对应的待分析特征、以及与所述参考图像相对应的参考特征；
[0020]在所述多个参考移动对象中，利用机器学习模型对所述待分析特征和参考特征进行分析处理，确定与所述待识别移动对象相对应的目标移动对象，其中，所述机器学习模型被训练为用于基于图像特征识别图像中移动对象的身份信息。
[0021]第六方面，本专利技术实施例提供了一种移动对象识别装置，包括：
[0022]第二获取模块，用于获取待处理图像以及多个参考图像，其中，所述待处理图像中包括待识别移动对象，所述多个参考图像中包括多个参考移动对象；
[0023]第二确定模块，用于确定与所述待处理图像相对应的待分析特征、以及与所述参考图像相对应的参考特征；
[0024]第二处理模块，用于在所述多个参考移动对象中，利用机器学习模型对所述待分析特征和参考特征进行分析处理，确定与所述待识别移动对象相对应的目标移动对象，其中，所述机器学习模型被训练为用于基于图像特征识别图像中移动对象的身份信息。
[0025]第七方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第五方面中的移动对象识别方法。
[0026]第八方面，本专利技术实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第五方面中的移动对象识别方法。
[0027]本实施例提供的技术方案，通过获取包括预设对象的训练图像以及与所述预设对象相对应的身份信息，并利用第一机器学习模型和第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征和第二训练特征，由于第一训练特征和第二训练特征为与训练图像相对应的不同维度的特征信息，而后基于所述第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中车辆的身份信息的目标模型，从而有效地实现了目标模型是基于图像中多维度的特征信息训练而成，使得目标模型可以在不同的摄像参数、环境条件下，实现快速、准确地对移动对象进行识别，从而便于基于识别结果对移动对象进行管理，进一步提高了该方法的实用性。
也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
[0048]应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0049]取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0050]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取包括预设对象的训练图像以及与所述预设对象相对应的身份信息；利用第一机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征；利用第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第二训练特征,其中,所述第一机器学习模型与所述第二机器学习模型不同，所述第一训练特征与所述第二训练特征不同；基于所述第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型。2.根据权利要求1所述的方法，其特征在于，所述训练图像的数量为多个，在获取包括预设对象的训练图像之后，所述方法还包括：对多个训练图像进行像素归一化处理，获得与所述多个训练图像相对应的多个中间图像；对所述多个中间图像进行色域转换处理，获得与所述多个训练图像相对应的多个目标训练图像。3.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型包括注意力机制，所述第二机器学习模型包括由卷积神经网络所构成的透视转换子网络、残差子网络和转置卷积子网络。4.根据权利要求3所述的方法，其特征在于，利用第一机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第一训练特征，包括：利用注意力机制对所述训练图像进行处理，获得与所述训练图像所对应的特征权重系数；基于所述特征权重系数和所述训练图像，获得与所述训练图像相对应的第一训练特征。5.根据权利要求4所述的方法，其特征在于，基于所述特征权重系数和所述训练图像，获得与所述训练图像相对应的第一训练特征，包括：确定与所述特征权重系数相对应的目标权重系数，其中，所述目标权重系数的非线性程度大于所述特征权重系数的非线性程度；基于所述目标权重系数和训练图像，获得所述第一训练特征。6.根据权利要求5所述的方法，其特征在于，确定与所述特征权重系数相对应的目标权重系数，包括：获取用于增加所述特征权重系数的非线性程度的激活函数；利用所述激活函数对所述特征权重系数进行处理，获得所述目标权重系数。7.根据权利要求6所述的方法，其特征在于，利用所述激活函数对所述特征权重系数进行处理，获得所述目标权重系数，包括：利用所述激活函数对所述特征权重系数进行处理，获得处理后权重系数；对所述处理后权重系数进行归一化处理，获得所述目标权重系数。8.根据权利要求5所述的方法，其特征在于，基于所述目标权重系数和训练图像，获得所述第一训练特征，包括：
将所述目标权重系数与所述训练图像的乘积，确定为所述第一训练特征。9.根据权利要求3所述的方法，其特征在于，利用第二机器学习模型对所述训练图像进行处理,获得与所述训练图像相对应的第二训练特征，包括：利用所述透视转换子网络对所述训练图像进行分析处理，获得与所述训练图像相对应的图像变换矩阵；基于所述图像变换矩阵,获得与所述训练图像相对应的第二训练特征。10.根据权利要求9所述的方法，其特征在于，利用所述透视转换子网络对所述训练图像进行分析处理，获得与所述训练图像相对应的图像变换矩阵，包括：获取所述训练图像中的像素点坐标信息；利用所述透视转换子网络对所述像素点坐标信息进行分析处理，获得与所述训练图像相对应的图像变换矩阵。11.根据权利要求9所述的方法，其特征在于，基于所述图像变换矩阵,获得与所述训练图像相对应的第二训练特征，包括：利用所述残差子网络对所述图像变换矩阵进行分析处理，获得与所述图像变换矩阵相对应的残差特征；利用所述转置卷积子网络对所述残差特征进行分析处理，获得用于标识所述残差特征的局部响应的权重系数；基于所述权重系数和所述残差特征，确定与所述训练图像相对应的第二训练特征。12.根据权利要求11所述的方法，其特征在于，基于所述权重系数和所述残差特征，确定与所述训练图像相对应的第二训练特征，包括：将所述权重系数与所述残差特征的乘积，确定为与所述训练图像相对应的第二训练特征。13.根据权利要求1所述的方法，其特征在于，基于所述第一训练特征、第二训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型，包括：根据所述第一训练特征和第二训练特征，确定与所述训练图像相对应的目标特征信息；基于所述目标特征信息和与预设对象相对应的身份信息进行学习训练，获得所述目标模型。14.根据权利要求13所述的方法，其特征在于，根据所述第一训练特征和第二训练特征，确定与所述训练图像相对应的目标特征信息，包括：对所述第一训练特征和所述第二训练特征进行拼接处理，获得与所述训练图像相对应的目标特征信息。15.根据权利要求13所述的方法，其特征在于，基于所述目标特征信息和与预设对象相对应的身份信息进行学习训练，获得所述目标模型，包括：利用交叉熵损失函数对所述目标特征信息和与预设对象相对应的身份信息进行学习训练，获得所述目标模型。16.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取用户针对所述训练图像所输入的特征提取操作；
根据所述特征提取操作获取与所述训练图像相对应的第三训练特征；基于所述第一训练特征、第二训练特征、第三训练特征、与预设对象相对应的身份信息进行学习训练，获得用于识别图像中预设对象的身份信息的目标模型。17.根据权利要求1-16中任意一项所述的方法，其特征在于，所述方法还包括：提供一与所述目标模型相对应的数据应用接口，以通过所述数据应用接口调用所述目标模型进行数据处理操作。18.一种移动对象识别方法，其特征在于，包括：获取待处理图像以及多个参考图像，其中，所述待处理图像中包括待识别移动对象，所述多个参考图像中包括多个参考移动对象；确定与所述待处理图像相对应的待分析特征、以及与所述参考图像相对应的参考特征；在所述多个参考移动对象中，利用机器学习模型对所述待分析特征和参考特征进行分析处理，确定与所述待识别移动对象相对应的目标移动对象，其中，所述机器学习模型被训练为用于基于图像特征识别图像中移动对象的身份信息。19.根据权利要求18所述的方法，其特征在于，确定与所述待处理图像相对应...

【专利技术属性】
技术研发人员：王弘烈，郭莉琳，周橹楠，邓兵，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：