车辆检测模型训练方法、装置、车辆检测方法及电子设备制造方法及图纸

本申请实施例提供了一种车辆检测模型训练方法、装置、车辆检测方法及电子设备，涉及目标检测领域。该方法包括获取包括多个训练样本的训练数据集，每个训练样本包括样本图像、表征该样本图像中是否包含车辆的车辆标签和表征该样本图像中车辆位置信息的信息标签。获取每个样本图像对应的至少两个子图像的位置信息，并确定各子图像的车辆标签。通过基于各训练样本和各样本图像对应的各子图像，对包括依次级联的特征提取网络以及目标识别网络的神经网络模型进行迭代训练，直至神经网络模型的训练损失值满足训练结束条件，根据该方法训练得到的精确度较高的车辆检测模型，能够对待检测车辆进行更精确的车辆检测。测车辆进行更精确的车辆检测。测车辆进行更精确的车辆检测。

【技术实现步骤摘要】
车辆检测模型训练方法、装置、车辆检测方法及电子设备


[0001]本申请涉及目标检测领域，具体而言，本申请涉及一种车辆检测模型训练方法、装置、车辆检测方法、电子设备及计算机可读存储介质。

技术介绍

[0002]随着车辆违规行为的不断增加，通过对交通图像或视频中的车辆进行快速检测，以更好地辅助城市交通管理已经成为了一项重要工作。深度学习在图像分类任务中取得广泛成功后，也被广泛应用于车辆检测任务中。
[0003]在大量的车辆检测任务中，如何对待检测车辆进行的更精确地检测，已经成为了具有挑战性的任务。

技术实现思路

[0004]本申请实施例提供了一种车辆检测模型训练方法、装置、车辆检测方法、电子设备及计算机可读存储介质，根据该方法训练得到的精确度较高的车辆检测模型，能够对待检测车辆进行更精确的车辆检测。
[0005]根据本申请实施例的一个方面，提供了一种车辆检测的方法，该方法包括：
[0006]获取包括多个训练样本的训练数据集，每个训练样本包括样本图像、表征该样本图像中是否包含车辆的车辆标签和表征该样本图像中车辆位置信息的信息标签；
[0007]获取每个样本图像对应的至少两个子图像在该样本图像中的位置信息，并基于每个样本图像的信息标签，确定各样本图像对应的各子图像的车辆标签；
[0008]基于各训练样本和各样本图像对应的各子图像，对包括依次级联的特征提取网络以及目标识别网络的神经网络模型进行迭代训练，直至神经网络模型的训练损失值满足训练结束条件，得到车辆检测模型；/>[0009]其中，训练结束条件包括以下至少一项：
[0010]神经网络模型的损失函数收敛，神经网络模型的训练损失值小于设定值，对神经网络模型的训练次数达到设定次数。
[0011]根据本申请实施例的另一个方面，提供了一种车辆检测方法，包括：
[0012]获取待检测图像；
[0013]基于训练好的车辆检测模型，确定待检测图像中是否包括车辆以及待检测图像中车辆的位置信息，该训练好的车辆检测模型是根据上述方法训练得到的。
[0014]根据本申请实施例的另一个方面，提供了一种车辆检测的装置，该装置包括获取模块、子图像确定模块和训练模块，
[0015]获取模块，用于获取包括多个训练样本的训练数据集，每个训练样本包括样本图像、表征该样本图像中是否包含车辆的车辆标签和表征该样本图像中车辆位置信息的信息标签；
[0016]子图像确定模块，用于获取每个样本图像对应的至少两个子图像在该样本图像中
的位置信息，并基于每个样本图像的信息标签，确定各样本图像对应的各子图像的车辆标签；
[0017]训练模块，用于基于各训练样本和各样本图像对应的各子图像，对包括依次级联的特征提取网络以及目标识别网络的神经网络模型进行迭代训练，直至神经网络模型的训练损失值满足训练结束条件，得到车辆检测模型；
[0018]其中，训练结束条件包括以下至少一项：
[0019]神经网络模型的损失函数收敛，神经网络模型的训练损失值小于设定值，对神经网络模型的训练次数达到设定次数。
[0020]根据本申请实施例的另一个方面，提供了一种车辆检测装置，包括获取模块和检测模块，
[0021]获取模块，用于获取待检测图像；
[0022]检测模块，用于基于训练好的车辆检测模型，确定待检测图像中是否包括车辆以及待检测图像中车辆的位置信息，该训练好的车辆检测模型是根据上述方法训练得到的。
[0023]根据本申请实施例的另一个方面，提供了一种电子设备，该电子设备包括：包括存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现上述方法的步骤。
[0024]根据本申请实施例的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0025]本申请实施例提供的技术方案带来的有益效果是：
[0026]本申请涉及一种车辆检测方法、装置、电子设备及计算机可读存储介质。该方法通过获取包括多个训练样本的训练数据集，每个训练样本包括样本图像、表征该样本图像中是否包含车辆的车辆标签和表征该样本图像中车辆位置信息的信息标签。获取每个样本图像对应的至少两个子图像的位置信息，并基于每个样本图像的信息标签，确定各样本图像对应的各子图像的车辆标签。并在训练过程中，通过基于各训练样本和各样本图像对应的各子图像，对包括依次级联的特征提取网络以及目标识别网络的神经网络模型进行迭代训练，直至神经网络模型的训练损失值满足训练结束条件，根据该方法训练得到的精确度较高的车辆检测模型，能够对待检测车辆进行更精确的车辆检测。
附图说明
[0027]为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
[0028]图1示出了本申请实施例提供的一种车辆检测模型训练方法的流程图；
[0029]图2示出了本申请实施例中神经网络模型的训练过程示意图；
[0030]图3示出了本申请实施例中样本图像中车辆所在区域的位置信息的示意图；
[0031]图4a和图4b示出了对样本图像进行嵌入处理前后的示意图；
[0032]图5示出了本申请实施例提出的训练车辆检测模型的示意图；
[0033]图6示出了本申请实施例提供的车辆检测方法的流程图；
[0034]图7示出了本申请实施例提供的车辆检测模型训练装置的示意图；
[0035]图8示出了本申请实施例提供的车辆检测装置的示意图；
[0036]图9示出了本申请实施例提供的一种电子设备的示意图。
具体实施方式
[0037]下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。
[0038]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本
所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”指示实现为“A”，或者实现为“A”，或者实现为“A和B”。
[0039]随着车辆违规行为的不断增加，如何对交通图像或视频中的车辆进行快速检测已经成为城市交通管理的一项重要工作。深度学习在图像分类任务中取得广泛成功后，也被应用于车辆检测任务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆检测模型训练方法，其特征在于，包括：获取包括多个训练样本的训练数据集，每个训练样本包括样本图像、表征所述样本图像中是否包含车辆的车辆标签和表征所述样本图像中车辆位置信息的信息标签；获取每个所述样本图像对应的至少两个子图像在该样本图像中的位置信息，并基于每个所述样本图像的信息标签，确定各样本图像对应的各子图像的车辆标签；基于各所述训练样本和各所述样本图像对应的各子图像，对包括依次级联的特征提取网络以及目标识别网络的神经网络模型进行迭代训练，直至所述神经网络模型满足训练结束条件，得到车辆检测模型；其中，所述训练结束条件包括以下至少一项：所述神经网络模型的损失函数收敛，所述神经网络模型的训练损失值小于设定值，对所述神经网络模型的训练次数达到设定次数。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型的损失函数包括第一损失函数和第二损失函数，对于每个所述样本图像，训练的过程包括：通过所述特征提取网络对该样本图像进行特征提取，得到该样本图像对应的第一特征图；根据所述第一特征图以及该样本图像对应的各子图像在该样本图像中的位置信息，确定各子图像对应的第二特征图；对于每个所述子图像，根据该子图像对应的第二特征图和该子图像对应的位置信息，通过所述目标识别网络，得到该子图像的测分类结果以及预测车辆位置信息，所述预测分类结果表征该子图像中是否包括车辆；基于该样本图像对应的各子图像的预测分类结果和对应的子图像的车辆标签，利用所述第一损失函数，确定第一训练损失值；基于该样本图像对应的各子图像的预测车辆位置信息和该样本图像的信息标签，利用所述第二损失函数，确定第二训练损失值；基于所述第一训练损失值和所述第二训练损失值，得到所述神经网络模型的训练损失值；若所述神经网络模型的训练损失值不满足所述训练结束条件，对所述神经网络模型的模型参数进行调整，并基于所述各所述训练样本和各所述样本图像对应的各子图像对调整后的模型继续进行训练。3.根据权利要求2所述的方法，其特征在于，所述特征提取网络包括至少一个特征提取模块以及与所述至少一个特征提取模块级联的池化模块，对于每个所述样本图像，所述通过所述特征提取网络对该样本图像进行特征提取，得到该样本图像对应的第一特征图，包括：通过所述至少一个特征提取模块对该样本图像进行特征提取，得到该样本图像对应的特征提取的结果；通过所述池化模块对所述特征提取的结果进行池化，得到该样本图像对应的第一特征图；所述根据所述第一特征图以及该样本图像对应的各子图像在该样本图像中的位置信息，确定各子图像对应的第二特征图，包括：根据所述池化网络的池化核的大小，确定所述第一特征图的各特征值与该样本图像中图像区域的映射关系；
对于每个所述子图像，根据该子图像对应的位置信息，确定所述样本图像中该子图像对应的图像区域；对于每个所述子图像，根据所述映射关系和所述第一特征图，确定该子图像对应的图像区域在所述第一特征图中对应的各特征值，基于确定出的各子图像对应的特征值得到该子图像对应的第二特征图。4.根据权利要求2所述的方法，其特征在于，在确定出各子图像对...

【专利技术属性】
技术研发人员：陈茜，
申请(专利权)人：文思海辉智科科技有限公司，
类型：发明
国别省市：