本申请提供的一种基于迁移学习的目标检测方法及系统，该方法包括获取图像数据，所述图像数据包括行人和所述行人所在环境的图像；根据所述图像数据，生成用于表示检测范围的检测框；对所述图像数据和所述检测框进行处理，生成目标检测模型的训练数据；根据所述训练数据对所述目标检测模型进行训练，得到训练好的目标检测模型；基于所述训练好的目标检测模型对目标进行检测，得到目标检测结果。本申请实施例能够通过多样化的训练方式训练目标检测模型，并通过训练好的目标检测模型实现对目标进行全方位、多功能、高精度的检测效果。高精度的检测效果。高精度的检测效果。
【技术实现步骤摘要】
一种基于迁移学习的目标检测方法及系统
[0001]本申请涉及图像处理的系统和方法，尤其涉及基于迁移学习的目标检测方法及系统。
技术介绍
[0002]近年来，随着人工智能目标检测技术的出现和普及，为了能够有效地提升公共安全，在公共场所、交通道路等场合下都部署了大量的检测设备，例如高清相机、光场摄像机等。然而，目标在某一场合下，可能会于不同时间、位置出现在不同检测设备的画面中，某一个或多个检测设备可能无法捕捉到目标的脸部信息，从而无法保证某一场合下的所有检测设备都能对目标进行检测，导致目标检测失败或检测结果出错。
[0003]因此，期望提供用于确定倾斜对象的基于迁移学习的目标检测方法及系统，其可以实现倾斜对象的精确定位。
技术实现思路
[0004]本专利技术实施例的目的在于提供一种基于迁移学习的目标检测方法及系统，本申请实施例能够通过多样化的训练方式训练目标检测模型，并通过训练好的目标检测模型实现对目标进行全方位、多功能、高精度的检测效果。具体技术方案如下：
[0005]在本专利技术实施例的第一方面，提供一种基于迁移学习的目标检测方法，包括：S110、获取源域的第一图像数据，所述第一图像数据包括行人和所述行人所在环境的图像；
[0006]S120、根据所述第一图像数据，生成用于表示检测范围的检测框；
[0007]S130、对所述第一图像数据和所述检测框进行处理，生成目标检测模型的训练数据；
[0008]S140、根据所述训练数据对所述目标检测模型进行训练，得到训练好的目标检测模型；
[0009]S150、基于所述训练好的目标检测模型对目标域的目标进行检测，得到目标检测结果。
[0010]可选地，所述检测框包括第一检测框，所述S120、根据所述第一图像数据，生成用于表示检测范围的检测框，包括：
[0011]S121、从所述第一图像数据中获取所述行人的关键点和轮廓；
[0012]S122、若所述关键点与所述轮廓之间的关系满足第一预设条件，则生成包含所述轮廓的第一检测框；其中，所述第一预设条件为全部所述关键点均位于所述轮廓的边界范围内。
[0013]可选地，所述检测框还包括第二检测框，所述S120、根据所述第一图像数据，生成用于表示检测范围的检测框，还包括：
[0014]S123、获取多个所述关键点之间的连线；其中，所述连线位于所述行人的身体部位
[0015]S124、对所述第一检测框进行裁剪得到所述第二检测框，所述第二检测框中至少
包括所述连线的部分。
[0016]可选地，所述S130、对所述第一图像数据和所述检测框进行处理，生成目标检测模型的训练数据，包括：
[0017]S131、获取包含所述第一检测框的第一图像数据，以及包含所述第二检测框的第一图像数据；
[0018]S132、获取所述第一检测框的第一图像数据的第一标注；
[0019]S133、以所述第二检测框的第一图像数据为样本，所述第一标注为监督信号，构成所述训练数据中的第一训练集。
[0020]可选地，所述S130、对所述第一图像数据和所述检测框进行处理，生成目标检测模型的训练数据，还包括：
[0021]S134、获取所述目标域的第二图像数据；
[0022]S135、获取所述第二图像数据的聚类结果，将所述聚类结果确定为每个聚类的第二图像数据的伪标签；
[0023]S136、以所述第二图像数据为样本，所述伪标签为监督信号，生成所述训练数据的第二训练集。
[0024]可选地，所述S140、根据所述训练数据对所述目标检测模型进行训练，得到训练好的目标检测模型，包括：
[0025]S141、根据所述第一训练集，以有监督学习方式训练所述目标检测模型，得到所述训练好的目标检测模型；
[0026]S142、根据所述第二训练集，以无监督学习方式训练所述目标检测模型，
[0027]得到所述训练好的目标检测模型。
[0028]可选地，所述S150、基于所述训练好的目标检测模型对目标域的目标进行检测，得到目标检测结果，包括：获取第一目标检测结果和第二目标检测结果；
[0029]其中，所述第一目标检测结果用于表示对同一个域的目标进行检测的结果，所述第二目标检测结果用于表示对不同域的目标进行检测的结果。
[0030]可选地，所述方法还包括：
[0031]S160、对所述第一图像数据和所述第二图像数据中包含目标的类别进行识别，得到识别结果；
[0032]S170、若所述识别结果中包含所述目标的角信息，则根据所述角信息修剪所述目标的第三检测框；
[0033]S180、将包含所述第三检测框的第一图像数据或第二图像数据输入至所述训练好的目标检测模型，获取第三目标检测结果，所述第三检测结果为所述图像数据中包含所述目标的名称。
[0034]在本专利技术实施例的又一方面，提供一种基于迁移学习的目标检测系统，包括：
[0035]图像数据获取模块，用于获取源域的图像数据，所述图像数据包括行人和所述行人所在环境的图像；
[0036]检测框生成模块，用于根据所述图像数据，生成用于表示检测范围的检测框；
[0037]训练数据生成模块，用于对所述图像数据和所述检测框进行处理，生成目标检测模型的训练数据；
[0038]目标检测模型训练模块，用于根据所述训练数据对所述目标检测模型进行训练，得到训练好的目标检测模型；
[0039]目标检测结果获取模块，用于基于所述训练好的目标检测模型对目标域的目标进行检测，得到目标检测结果。
[0040]在本专利技术实施例的又一方面，提供一种计算机可读存储介质，包括处理器和存储器，所述存储器存储有计算机可执行指令，所述处理器执行所述计算机可执行指令，用于实现上述基于迁移学习的目标检测方法。
[0041]有益效果：
[0042](1)本申请实施例可以通过对源域和信息域的图像数据进行处理，生成较为全面、数量较多的训练数据来训练目标检测模型，以提升对目标检测模型的训练效果。
[0043](2)本申请实施例可以通过迁移学习，根据行人的辅助信息，例如如语义信息、属性信息、视角信息、域信息、GAN生成的信息等，对目标检测模型进行高难度、多任务的泛化学习，从而能够极大地提升目标检测模型的训练效果和泛化能力。
[0044](3)本申请实施例可以通过训练好的目标检测模型对目标执行多类型任务的预测，从而在应用层面上，能够极大地提升后续将其结合到智能检测设备上的检测能力和检测范畴。
附图说明
[0045]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]图1是本申请实施例提供的一种基于迁移学习的目本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的目标检测方法，其特征在于，包括：S110、获取源域的第一图像数据，所述第一图像数据包括行人和所述行人所在环境的图像；S120、根据所述第一图像数据，生成用于表示检测范围的检测框；S130、对所述第一图像数据和所述检测框进行处理，生成目标检测模型的训练数据；S140、根据所述训练数据对所述目标检测模型进行训练，得到训练好的目标检测模型；S150、基于所述训练好的目标检测模型对目标域的目标进行检测，得到目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述检测框包括第一检测框，所述S120、根据所述第一图像数据，生成用于表示检测范围的检测框，包括：S121、从所述第一图像数据中获取所述行人的关键点和轮廓；S122、若所述关键点与所述轮廓之间的关系满足第一预设条件，则生成包含所述轮廓的第一检测框；其中，所述第一预设条件为全部所述关键点均位于所述轮廓的边界范围内。3.根据权利要求2所述的方法，其特征在于，所述检测框还包括第二检测框，所述S120、根据所述第一图像数据，生成用于表示检测范围的检测框，还包括：S123、获取多个所述关键点之间的连线；其中，所述连线位于所述行人的身体部位。S124、对所述第一检测框进行裁剪得到所述第二检测框，所述第二检测框中至少包括所述连线的部分。4.根据权利要求3所述的方法，其特征在于，所述S130、对所述第一图像数据和所述检测框进行处理，生成目标检测模型的训练数据，包括：S131、获取包含所述第一检测框的第一图像数据，以及包含所述第二检测框的第一图像数据；S132、获取所述第一检测框的第一图像数据的第一标注；S133、以所述第二检测框的第一图像数据为样本，所述第一标注为监督信号，构成所述训练数据中的第一训练集。5.根据权利要求4所述的方法，其特征在于，所述S130、对所述第一图像数据和所述检测框进行处理，生成目标检测模型的训练数据，还包括：S134、获取所述目标域的第二图像数据；S135、获取所述第二图像数据的聚类结果，将所述聚类结果确定为每个聚类的第二图像数据的伪标签；S136、以所述第二图像数据为样本，所...
【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：北京拙河科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。