[发明专利]目标检测模型训练方法、系统、设备及存储介质

说明书

本发明提供了一种目标检测模型训练方法、系统、设备及存储介质，该方法包括：由中央处理单元接收视频采集设备采集的视频数据，并将所接收的视频数据转换为多个图像帧，并划分为训练集以及测试集；由图像处理单元对训练集进行训练标注；由图像处理单元将图像帧及其训练标注输入至目标检测模型中进行训练，目标检测模型为卷积神经网络模型；由图像处理单元对测试集进行测试标注；由图像处理单元将测试集中的多个图像帧输入目标检测模型，获得目标检测结果；由中央处理单元对测试标注和目标检测结果进行比较以获得目标检测模型的测试评估结果。本发明减少中央处理器的计算资源的消耗，并提升目标检测的准确性，进一步提高目标检测系统的效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种目标检测模型训练方法、系统、设备及存储介质。

背景技术

图像处理，尤其是图像处理中的目标检测已广泛应用于诸如监控、自动驾驶等智能领域。在目标检测方法中，需要由算法对摄像头拍摄到的视频中的目标(诸如人、车辆等)进行检测。目前，主流算法采用光流法或者帧差法，再结合画方框函数对目标的区域进行确认。然而，采用上述方法会不可避免的消耗大量中央处理器的计算资源，从而造成了整个检测系统的计算瓶颈。

由此，如何优化目标检测方法，以减少中央处理器的计算资源的消耗，并提升目标检测的准确性，进一步提高目标检测系统的效率，是本领域技术人员亟待解决的技术问题，

发明内容

针对现有技术中的问题，本发明的目的在于提供一种目标检测模型训练方法、系统、设备及存储介质，减少中央处理器的计算资源的消耗，并提升目标检测的准确性，进一步提高目标检测系统的效率。

本发明实施例提供一种目标检测模型训练方法，包括如下步骤：

由中央处理单元接收视频采集设备采集的视频数据，并将所接收的视频数据转换为多个图像帧，多个所述图像帧被划分为训练集以及测试集；

由图像处理单元执行预训练目标检测模型对所述训练集中的多个图像帧进行训练标注；

由所述图像处理单元将所述训练集中的多个图像帧及其训练标注输入至目标检测模型中进行训练，所述目标检测模型为卷积神经网络模型；

由所述图像处理单元执行预训练目标检测模型对所述测试集中的多个图像帧进行测试标注；

由所述图像处理单元将所述测试集中的多个图像帧输入所述目标检测模型，获得目标检测结果；

由所述中央处理单元对所述测试标注和所述目标检测结果进行比较以获得所述目标检测模型的测试评估结果。

在本申请的一些实施例中，所述目标检测模型的损失函数根据KL距离、背景目标差异惩罚项以及区域交并比来计算，其中，所述KL距离为所述训练标注的概率分布和所述目标检测模型的预测输出的概率分布的离散度，所述背景目标差异惩罚项为所述目标检测模型的预测输出的目标区域与背景区域的亮度的平均值的差值的倒数，所述区域交并比为所述目标检测模型的预测输出的目标区域与所述训练标注的目标区域的交并比。

在本申请的一些实施例中，所述目标检测模型的损失函数L根据如下公式计算：

L＝a*KLD+b*penalization+c*(1-IoU)，

其中，a、b、c为权重，且a、b、c的和为1，KLD为所述KL距离，penalization为所述背景目标差异惩罚项，IoU为所述区域交并比。

在本申请的一些实施例中，所述中央处理单元同时接收多个视频采集设备采集的视频数据，所述目标检测模型用以对多个视频采集设备采集的视频数据进行目标检测。

在本申请的一些实施例中，目标检测模型经过多次迭代训练，所述预训练目标检测模型为前一次迭代训练的目标检测模型。