一种犬类脸部检测模型训练方法、装置、检测方法及装置制造方法及图纸

本申请涉及犬类管理技术领域，具体涉及一种对于犬只脸部特征识别的方法，具体为一种犬类脸部检测模型训练方法、装置、检测方法及装置；本申请实施例基于相同的样本数据集进行不同检测模型的训练，得到用于不同场景下不同目的的检测，通过以上的训练方法以及训练装置能够降低样本数据进行训练，训练后检测模型的精准度较高，并且基于本训练方法得到的犬类脸部检测方法以及监测装置能够实现不同场景下不同目的的检测结果的获得，并且基于深度学习技术，使检测的效率较高以及检测时间相对于传统算法较短。算法较短。算法较短。

【技术实现步骤摘要】
一种犬类脸部检测模型训练方法、装置、检测方法及装置


[0001]本申请涉及犬类管理
，具体涉及一种对于犬只脸部特征识别的方法，具体为一种犬类脸部检测模型训练方法、装置、检测方法及装置。

技术介绍

[0002]目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，将目标的分割和识别合二为一。在复杂场景中，通常需要对多个目标进行实时处理，因此，目标自动提取和识别就显得特别重要。随着计算机视觉技术的迅速发展，其被广泛地应用在目标检测领域，就目前而言，现有技术中已经存在多种针对特定目标进行检测的方法，如：人脸检测、行人检测、车辆检测等，且从目标检测的发展来看，在人脸检测、行人检测、车辆检测方面的研究也最为广泛，而在狗脸检测方面的研究却很少。
[0003]狗脸检测是狗脸识别中极为重要的一个环节，其也属于对特定目标的检测。在现有技术中，针对于狗脸的检测主要是将狗脸从图像背景中检测出来，或者说是将狗脸的子窗口与非狗脸的子窗口分开。但随着日益增长的需求以及相对应的技术发展，针对于狗脸的检测的需求已经不局限于对于在图像中将狗脸与非狗脸进行区分，针对于其他场景下的使用例如针对于狗的种类以及狗的品种进行识别在目前的现有技术中并没有实现。

技术实现思路

[0004]为了解决以上的技术问题，本申请提供一种犬类脸部检测模型训练方法、装置、检测方法及装置，能够实现对于复杂环境下的狗脸的识别，并且根据具体的检测需求还能够实现对于确定后的狗脸中犬类品种的识别。
[0005]为了达到上述目的，本申请实施例采用的技术方案如下：第一方面，一种犬类脸部检测模型训练方法，包括以下方法：获取样本数据集，所述样本数据集包括第一样本数据集和第二样本数据集，所述第一样本数据集内配置有多个样本图像以及多个所述样本图像上的多个第一标注信息，所述第二样本数据集内设置有多个样本图像以及多个所述样本图像上的多个第二标注信息，所述样本图像为待训练的犬类脸部图像，所述第一标注信息为所述样本图像中的特征点的标注信息，所述第二标注信息为所述样本图像中的关键特征点的标注信息，所述特征点用于表征犬类特点，所述关键特征点用于表征犬类种类特点；基于所述第一样本数据集对初始检测模型进行训练直至所述初始检测模型满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型；基于所述第二样本数据集对所述第一检测模型进行训练直至所述第一检测模型满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第二检测模型；分别将所述第一检测模型以及所述第二检测模型进行保存。
[0006]第一方面的第一种实现方式中，所述初始检测模型为卷积神经网络结构，所述卷积神经网络结构包括特征提取网络和分类网络；所述特征提取网络包括数据输入层、卷积层、池化层，特征映射层包括全连接层和输出层。
[0007]结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述卷积层的数量为四个。
[0008]第一方面的第三种实现方式中，满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型，包括：设置初始学习率，基于所述初始学习率对所述初始检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述初始检测模型中的权重值得到第一检测模型；满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第一检测模型，包括：设置初始学习率，基于所述初始学习率对所述第一检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述第一检测模型中的权重值得到第二检测模型。
[0009]结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述初始学习率为0.0001。
[0010]第二方面，一种犬类脸部检测模型训练装置，包括：样本数据集获取模块，用于获取样本数据集；第一检测模型训练模块，用于基于样本数据集对初始检测模型进行训练得到第一检测模型；第二检测模型训练模块，用于基于样本数数据及对第一检测模型进行训练得到第二检测模型；保存模块，用于对所述第一检测模型和所述第二检测模型分别进行保存。
[0011]第一方面的第一种实现方式中，所述样本数据集包括第一样本数据集和第二样本数据集，所述第一样本数据集内配置有多个样本图像以及多个所述样本图像上的多个第一标注信息，所述第二样本数据集内设置有多个样本图像以及多个所述样本图像上的多个第二标注信息，所述样本图像为待训练的犬类脸部图像，所述第一标注信息为所述样本图像中的特征点的标注信息，所述第二标注信息为所述样本图像中的关键特征点的标注信息，所述特征点用于表征犬类特点，所述关键特征点用于表征犬类种类特点。
[0012]第三方面，一种犬类脸部检测方法，其特征在于，基于权利要求上述任一项所述的犬类脸部检测模型训练方法训练的犬类脸部检测模型，包括：获取检测命令，确定检测策略，基于检测策略确定待检测模型；获取待检测图像数据；基于所述待检测模型对所述待检测图像数据进行识别，得到检测结果；所述待检测模型包括第一检测模型和第二检测模型。
[0013]第三方面的第一种实现方式中，所述第一检测模型、所述第二检测模型和所述检测策略上配置有命令标签。
[0014]第四方面，一种犬类脸部检测装置，包括：检测模型确定模块，用于基于检测命令确定检测策略，基于检测策略确定待检测模型；图像数据获取模块，用于获取待检测图像数据；检测结果获取模块，用于基于所述待检测模型对所述待检测图像数据进行识别，得到检测结果。
[0015]本申请实施例提供的技术方案中，包括检测模型训练方法及装置，还包括基于检测模型训练方法及装置配置的检测方法及检测装置。针对本申请实施例中的检测模型训练方法及装置能够基于相同的样本数据集进行不同检测模型的训练，得到用于不同场景下不同目的的检测，通过以上的训练方法以及训练装置能够降低样本数据进行训练，训练后检测模型的精准度较高，并且本训练方法可以基于GPU进行配置，缩短了训练的时间。本申请实施例提供的犬类脸部检测方法，基于配置的第一检测模型以及第二检测模型进行针对性的检测和识别，在本实施例中通过第一检测模型对于图像数据中存在的犬类信息进行确
定，通过第二检测模型对于犬类信息进行品种的识别。并且，本申请中的检测方法以及检测装置降低了检测的运算量，并且第一检测模型以及第二检测模型基于深度学习的方式进行获得，所以针对于检测结果的准确率较高且处理的效率较高。
附图说明
[0016]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，对于本领域普通技术人员来讲，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。
[0017]附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
[0018]图1是本申请实施例提供的终端设备的结构示意图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种犬类脸部检测模型训练方法，其特征在于，包括以下方法：获取样本数据集，所述样本数据集包括第一样本数据集和第二样本数据集，所述第一样本数据集内配置有多个样本图像以及多个所述样本图像上的多个第一标注信息，所述第二样本数据集内设置有多个样本图像以及多个所述样本图像上的多个第二标注信息，所述样本图像为待训练的犬类脸部图像，所述第一标注信息为所述样本图像中的特征点的标注信息，所述第二标注信息为所述样本图像中的关键特征点的标注信息，所述特征点用于表征犬类特点，所述关键特征点用于表征犬类种类特点；基于所述第一样本数据集对初始检测模型进行训练直至所述初始检测模型满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型；基于所述第二样本数据集对所述第一检测模型进行训练直至所述第一检测模型满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第二检测模型；分别将所述第一检测模型以及所述第二检测模型进行保存。2.根据权利要求1所述的犬类脸部检测模型训练方法，其特征在于，所述初始检测模型为卷积神经网络结构，所述卷积神经网络结构包括特征提取网络和分类网络；所述特征提取网络包括数据输入层、卷积层、池化层，特征映射层包括全连接层和输出层。3.根据权利要求2所述的犬类脸部检测模型训练方法，其特征在于，所述卷积层的数量为四个。4.根据权利要求1所述的犬类脸部检测模型训练方法，其特征在于，满足网络收敛的要求，并调整所述初始检测模型中的权重值得到第一检测模型，包括：设置初始学习率，基于所述初始学习率对所述初始检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述初始检测模型中的权重值得到第一检测模型；满足网络收敛的要求，并调整所述第一检测模型中的权重值得到第一检测模型，包括：设置初始学习率，基于所述初始学习率对所述第一检测模型进行迭代至损失函数为收敛状态，并基于随机梯度下降更新所述第一检测模型中的...

【专利技术属性】
技术研发人员：宋程，刘保国，胡金有，吴浩，梁开岩，郭玮鹏，李海，巩京京，
申请(专利权)人：星宠王国北京科技有限公司，
类型：发明
国别省市：