识别模型的训练方法、目标识别方法及终端设备技术

本申请适用于图像处理技术领域，提供了一种识别模型的训练方法、目标识别方法及终端设备，应用于第一识别模型，第一识别模型用于识别第一目标对象，第一识别模型中包括第一特征提取网络和第二特征提取网络，识别模型的训练方法包括：获取样本视频片段；通过训练后的第二识别模型获取样本视频片段的第二参考标签；根据第一参考标签训练第一识别模型中的第一特征提取网络，获得训练后的第一特征提取网络；根据第二参考标签训练第一识别模型中的第二特征提取网络，获得训练后的第二特征提取网络。通过上述训练方法获得的识别模型具有较高的识别准确度。的识别准确度。的识别准确度。

【技术实现步骤摘要】
识别模型的训练方法、目标识别方法及终端设备


[0001]本申请属于图像处理
，尤其涉及一种识别模型的训练方法、目标识别方法及终端设备。

技术介绍

[0002]行为识别技术是一种识别视频中的行为类别的技术，在视频监控、智能家居等领域发挥着重要的作用。随着深度学习技术的不断发展，行为识别技术受到了广泛应用。例如：在监控领域，通过行为识别技术监测视频中的违法行为。
[0003]在行为识别过程中，除了“行为”特征信息之外，视频中的其他特征信息也可能帮助识别行为。例如：识别视频中的游泳行为时，视频中的“场景”特征信息(如游泳池等)和“人体”特征信息(如人的衣着、姿态等)均能够帮助识别游泳行为。但是现有技术中，通常只提取视频中的“行为”特征信息，而忽略了“行为”特征信息之外的特征信息，导致识别结果的准确度较低。

技术实现思路

[0004]本申请实施例提供了一种识别模型的训练方法、目标识别方法及终端设备，可以提高目标识别结果的准确度。
[0005]第一方面，本申请实施例提供了一种识别模型的训练方法，应用于第一识别模型，所述第一识别模型用于识别第一目标对象，所述第一识别模型中包括第一特征提取网络和第二特征提取网络，所述识别模型的训练方法包括：
[0006]获取样本视频片段，其中，所述样本视频片段携带有第一参考标签，所述第一参考标签用于表示所述第一目标对象的实际识别结果；
[0007]通过训练后的第二识别模型获取所述样本视频片段的第二参考标签，其中，所述第二识别模型用于识别第二目标对象，所述第二参考标签用于表示所述第二目标对象的实际识别结果；
[0008]根据所述第一参考标签训练所述第一识别模型中的所述第一特征提取网络，获得训练后的所述第一特征提取网络；
[0009]根据所述第二参考标签训练所述第一识别模型中的所述第二特征提取网络，获得训练后的所述第二特征提取网络。
[0010]在本申请实施例中，通过训练后的第二识别模型辅助训练第一识别模型中的第二特征提取网络，以使第二特征提取网络能够提取出第二目标对象的特征信息，这样训练后的第一识别模型不仅能够从视频中提取出第一目标对象的特征信息，还能够从视频中提取出与第一目标对象相关的第二目标对象的特征信息，增加了用于目标识别的特征信息的数量。另外，第二特征提取网络的训练标签是通过第二识别模型获取到的，无需重新标注样本视频，降低了数据标注的工作量。通过上述方法，能够在不增加工作量的前提下，增加有效的识别特征信息。
[0011]在第一方面的一种可能的实现方式中，所述获取样本视频片段，包括：
[0012]获取视频样本；
[0013]对所述视频样本进行视频抽帧处理，获得图像序列；
[0014]将所述图像序列划分为多个图像组，每个所述图像组中包括多张图像；
[0015]将每个所述图像组确定为一个所述样本视频片段。
[0016]在第一方面的一种可能的实现方式中，所述第一识别模型还包括第三特征提取网络；
[0017]所述方法还包括：
[0018]将所述样本视频片段输入到所述第三特征提取网络中，获得所述样本视频片段的浅层特征信息；
[0019]将所述浅层特征信息输入到所述第一特征提取网络中，获得第一高层特征信息；
[0020]将所述浅层特征信息输入到所述第二特征提取网络中，获得第二高层特征信息。
[0021]在第一方面的一种可能的实现方式中，所述根据所述第一参考标签训练所述第一识别模型中的所述第一特征提取网络，获得训练后的所述第一特征提取网络，包括：
[0022]根据所述第一高层特征信息确定第一预测标签，其中，所述第一预测标签用于表示所述第一目标对象的预测识别结果；
[0023]计算所述第一参考标签和所述第一预测标签之间的第一损失值；
[0024]根据所述第一损失值更新所述第一特征提取网络的网络参数，获得训练后的所述第一特征提取网络。
[0025]在第一方面的一种可能的实现方式中，所述根据所述第二参考标签训练所述第一识别模型中的所述第二特征提取网络，获得训练后的所述第二特征提取网络，包括：
[0026]根据所述第二高层特征信息确定第二预测标签，其中，所述第二预测标签用于表示所述第二目标对象的预测识别结果；
[0027]计算所述第二参考标签和所述第二预测标签之间的第二损失值；
[0028]根据所述第二损失值更新所述第二特征提取网络的网络参数，获得训练后的所述第二特征提取网络。
[0029]第二方面，本申请实施例提供了一种目标识别，基于如第一方面中任一项所述的识别模型的训练方法，所述目标识别方法包括：
[0030]从待检测视频中获取多个待检测视频片段；
[0031]通过训练后的所述第一特征提取网络获取所述待检测视频片段的第三高层特征信息；
[0032]通过训练后的所述第二特征提取网络获取所述待检测视频片段的第四高层特征信息；
[0033]对所述第三高层特征信息和所述第四高层特征信息进行信息融合处理，获得融合特征信息；
[0034]根据所述融合特征信息识别所述待检测视频片段中的所述第一目标对象，获得所述待检测视频片段的识别标签；
[0035]根据所述待检测视频片段的所述识别标签确定所述待检测视频的识别结果。
[0036]在本申请实施例中，不仅能够提取第一目标对象的特征信息，还能够提取第二目
标对象的特征信息；利用两者的融合特征信息对第一目标对象进行识别，相当于在第一目标对象的特征信息的基础上，增加了其他有效的特征信息，以辅助识别第一目标对象。通过上述方法，能够有效提高目标识别的准确率。
[0037]在第二方面的一种可能的实现方式中，所述对所述第三高层特征信息和所述第四高层特征信息进行信息融合处理，获得融合特征信息，包括：
[0038]对所述第三高层特征信息和所述第四高层特征信息进行逐像素相乘处理，获得相乘特征信息；
[0039]将所述相乘特征信息和所述第三高层特征信息进行拼接处理，获得拼接特征信息；
[0040]对所述拼接特征信息进行降维处理，获得降维特征信息，其中，所述降维特征信息的维度与所述第三高层特征信息的维度相同；
[0041]将所述降维特征信息确定为所述融合特征信息。
[0042]在第二方面的一种可能的实现方式中，所述根据所述待检测视频片段的所述识别标签确定所述待检测视频的识别结果，包括：
[0043]当获得所述多个待检测视频片段各自的所述识别标签之后，对所述识别标签进行分类；
[0044]统计每个类别下所述识别标签的标签数量；
[0045]将最大的所述标签数量对应的所述类别下的所述识别标签确定为所述待检测视频的识别结果。
[0046]第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别模型的训练方法，其特征在于，应用于第一识别模型，所述第一识别模型用于识别第一目标对象，所述第一识别模型中包括第一特征提取网络和第二特征提取网络，所述识别模型的训练方法包括：获取样本视频片段，其中，所述样本视频片段携带有第一参考标签，所述第一参考标签用于表示所述第一目标对象的实际识别结果；通过训练后的第二识别模型获取所述样本视频片段的第二参考标签，其中，所述第二识别模型用于识别第二目标对象，所述第二参考标签用于表示所述第二目标对象的实际识别结果；根据所述第一参考标签训练所述第一识别模型中的所述第一特征提取网络，获得训练后的所述第一特征提取网络；根据所述第二参考标签训练所述第一识别模型中的所述第二特征提取网络，获得训练后的所述第二特征提取网络。2.如权利要求1所述的识别模型的训练方法，其特征在于，所述获取样本视频片段，包括：获取视频样本；对所述视频样本进行视频抽帧处理，获得图像序列；将所述图像序列划分为多个图像组，每个所述图像组中包括多张图像；将每个所述图像组确定为一个所述样本视频片段。3.如权利要求1所述的识别模型的训练方法，其特征在于，所述第一识别模型还包括第三特征提取网络；所述方法还包括：将所述样本视频片段输入到所述第三特征提取网络中，获得所述样本视频片段的浅层特征信息；将所述浅层特征信息输入到所述第一特征提取网络中，获得第一高层特征信息；将所述浅层特征信息输入到所述第二特征提取网络中，获得第二高层特征信息。4.如权利要求3所述的识别模型的训练方法，其特征在于，所述根据所述第一参考标签训练所述第一识别模型中的所述第一特征提取网络，获得训练后的所述第一特征提取网络，包括：根据所述第一高层特征信息确定第一预测标签，其中，所述第一预测标签用于表示所述第一目标对象的预测识别结果；计算所述第一参考标签和所述第一预测标签之间的第一损失值；根据所述第一损失值更新所述第一特征提取网络的网络参数，获得训练后的所述第一特征提取网络。5.如权利要求3所述的识别模型的训练方法，其特征在于，所述根据所述第二参考标签训练所述第一识别模型中的所述第二特征提取网络，获得训练后的所述第二特征提取网络，包括：根据所述第二高层特征信息确定第二预测标签，其中，所述第二预测标签用于表示所述第二...

【专利技术属性】
技术研发人员：林灿然，程骏，郭渺辰，邵池，庞建新，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：