生成检测模型的方法和设备、用于检测目标的方法和设备技术

本发明专利技术实施例公开一种生成检测模型的方法和设备、用于检测目标的方法和设备，该生成检测模型的方法包括训练通用训练数据，得到第一检测模型；获取未标定的多个图像，多个图像是通过拍摄同一目标场景获得的；根据第一检测模型对未标定的多个图像进行检测得到目标场景训练数据；训练目标场景训练数据和通用训练数据，得到第二检测模型，其中，第二检测模型包括多层网络、聚类层和分类层。本发明专利技术实施例能够提高目标检测的性能。

【技术实现步骤摘要】
【专利摘要】本专利技术实施例公开一种生成检测模型的方法和设备、用于检测目标的方法和设备，该生成检测模型的方法包括训练通用训练数据，得到第一检测模型；获取未标定的多个图像，多个图像是通过拍摄同一目标场景获得的；根据第一检测模型对未标定的多个图像进行检测得到目标场景训练数据；训练目标场景训练数据和通用训练数据，得到第二检测模型，其中，第二检测模型包括多层网络、聚类层和分类层。本专利技术实施例能够提高目标检测的性能。【专利说明】生成检测模型的方法和设备、用于检测目标的方法和设备
本专利技术涉及物体检测领域，特别涉及一种生成检测模型的方法和设备、用于检测 目标的方法和设备。
技术介绍
视频监控是安全防范系统的重要组成部分，随着智能监控网的大规模建立，人类 将获得海量监控图像视频。如何使得电脑自动识别出监控图像中是否存在目标（例如：行 人）及标定其位置是一个极其重要的问题，其在智能监控网和智能安全驾驶辅助系统上有 极其重要的位置。 随着现有技术的不断发展，目标检测技术也取得了极大的进展。然而现有的目标 检测方法都假设其训练数据和测试数据拥有一致的数据分布，故检测模型的性能极大程度 上依赖其训练的数据。但是当训练数据和测试数据分别从不同场景下采集获得时，该训练 出来的检测模型进行测试数据监测时性能将极大地下降。
技术实现思路
本专利技术实施例提供一种用于检测目标的方法和设备，能够提高检测性能。 第一方面，提供了一种生成检测模型的方法，该方法包括：训练通用训练数据，得 到第一检测模型；获取未标定的多个图像，所述多个图像是通过拍摄同一目标场景获得的； 根据所述第一检测模型对所述未标定的多个图像进行检测得到目标场景训练数据；训练所 述目标场景训练数据和所述通用训练数据，得到第二检测模型，其中，所述第二检测模型包 括多层网络、聚类层和分类层。 结合第一方面，在第一种可能的实现方式中，所述多层网络包括多层深度卷积网 络和多层深度信念网络，所述根据目标场景训练数据和通用训练数据进行训练得到所述第 一检测模型，包括：确定初始多层卷积网络和初始多层深度信念网络；采用反向传播算法， 根据所述目标场景训练数据和所述通用训练数据对所述初始多层深度卷积网络进行训练， 得到第一特征数据和所述多层深度卷积网络；根据所述第一特征数据和所述目标场景训练 数据更新所述初始多层深度信念网络的权重参数，得到第二特征数据、所述多层深度信念 网络与所述分类层间的权重参数和所述多层深度信念网络；对所述第二特征数据进行聚类 分析，获得所述聚类层、所述聚类层与所述多层深度信念网络间的权重参数和所述聚类层 与所述分类层间的权重参数。 结合第一种可能的实现方式，在第二种可能的实现方式中，所述训练所述目标场 景训练数据和所述通用训练数据，得到第二检测模型，还包括：根据所述第二特征数据生成 重建网络和所述重建网络的权重参数；采用反向传播算法更新所述重建网络的权重参数； 根据更新后的所述重建网络的权重参数确定所述重建网络的输出值；根据所述重建网络的 输出值与所述第一特征数据的期望值的偏差更新所述聚类层与所述多层深度信念网络间 的权重参数、所述多层深度信念网络与所述分类层间的权重参数和所述聚类层与所述分类 层间的权重参数。 结合第二种可能的实现方式，在第三种可能的实现方式中，所述训练所述目标场 景训练数据和所述通用训练数据，得到第二检测模型，包括：采用反向传播算法，根据目标 函数通过目标场景训练数据和通用训练数据训练所述第二检测模型，所述目标函数的变量 为所述第二检测模型的输出值与输出期望值的偏差、所述聚类层的输出值与输出期望值的 偏差和所述重建网络的输出值与所述第一特征数据的期望值的偏差。 结合第三种可能的实现方式，在第四种可能的实现方式中，所述目标函数为： 【权利要求】1. 一种生成检测模型的方法，其特征在于，包括： 训练通用训练数据，得到第一检测模型； 获取未标定的多个图像，所述多个图像是通过拍摄同一目标场景获得的； 根据所述第一检测模型对所述未标定的多个图像进行检测得到目标场景训练数据； 训练所述目标场景训练数据和所述通用训练数据，得到第二检测模型，其中，所述第二 检测模型包括多层网络、聚类层和分类层。2. 根据权利要求1所述的方法，其特征在于，所述多层网络包括多层深度卷积网络和 多层深度信念网络，所述训练所述目标场景训练数据和所述通用训练数据，得到第二检测 模型，包括： 确定初始多层卷积网络和初始多层深度信念网络； 采用反向传播算法，根据所述目标场景训练数据和所述通用训练数据对所述初始多层 深度卷积网络进行训练，得到第一特征数据和所述多层深度卷积网络； 根据所述第一特征数据和所述目标场景训练数据更新所述初始多层深度信念网络的 权重参数，得到第二特征数据、所述多层深度信念网络与所述分类层间的权重参数和所述 多层深度信念网络； 对所述第二特征数据进行聚类分析，获得所述聚类层、所述聚类层与所述多层深度信 念网络间的权重参数和所述聚类层与所述分类层间的权重参数。3. 根据权利要求2所述的方法，其特征在于，所述训练所述目标场景训练数据和所述 通用训练数据，得到第二检测模型，还包括： 根据所述第二特征数据生成重建网络和所述重建网络的权重参数； 采用反向传播算法更新所述重建网络的权重参数； 根据更新后的所述重建网络的权重参数确定所述重建网络的输出值； 根据所述重建网络的输出值与所述第一特征数据的期望值的偏差更新所述聚类层与 所述多层深度信念网络间的权重参数、所述多层深度信念网络与所述分类层间的权重参数 和所述聚类层与所述分类层间的权重参数。4. 根据权利要求3所述的方法，其特征在于， 所述训练所述目标场景训练数据和所述通用训练数据，得到第二检测模型，包括： 采用反向传播算法，根据目标函数通过目标场景训练数据和通用训练数据训练所述第 二检测模型，所述目标函数的变量为所述第二检测模型的输出值与输出期望值的偏差、所 述聚类层的输出值与输出期望值的偏差和所述重建网络的输出值与所述第一特征数据的 期望值的偏差。5. 根据权利要求4所述的方法，其特征在于， 所述目标函数为：其中L表示训练数据经过所述第二检测模型的输出值与输出期望值的偏差、所述聚类 层的输出值与输出期望值的偏差和所述重建网络的输出值与所述第一特征数据的期望值 的偏差总和，所述训练数据包括所述目标场景训练数据和所述通用训练数据，η为所述训练 数据的编号，f n为第η个训练数据的特征数据，f表示η个训练数据的重建结果，yn表示第 η个训练数据是否包含所述目标，^表示由第二检测模型所得到的是否包含目标物体的输 出值，vn表示所述第η个训练数据是否为目标场景训练数据，λρ λ2为调节参数，其中，表示所述第η个训练数据的特征数据的重建偏差；Z￡(yn,l)为交互熵，表示 目所述第η个训练数据输出值与期望值的偏差；G表示所述第n个训练数据聚类偏差，其 中cn表示所述第η个目标场景训练数据所属类别，L表示针对所述第η个目标场景训练数 据在聚类层的输出响应。6. 根据权利要求3至5中任一项所述的方法，其特征在于，所述采用反向传播算法更新 所述重建网络的本文档来自技高网...

【技术保护点】
一种生成检测模型的方法，其特征在于，包括：训练通用训练数据，得到第一检测模型；获取未标定的多个图像，所述多个图像是通过拍摄同一目标场景获得的；根据所述第一检测模型对所述未标定的多个图像进行检测得到目标场景训练数据；训练所述目标场景训练数据和所述通用训练数据，得到第二检测模型，其中，所述第二检测模型包括多层网络、聚类层和分类层。

【技术特征摘要】

【专利技术属性】
技术研发人员：曾星宇，欧阳万里，王萌，王晓刚，张维，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44