一种遮挡图像识别模型的训练方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种遮挡图像识别模型的训练方法、装置、设备及介质，所述遮挡图像识别模型的训练方法包括：获取待识别车辆的图像并进行预处理，获取预处理图像；获取初始遮挡图像识别模型，并在所述初始遮挡图像识别模型的编码器中设置掩码感知模块和多头注意力约束模块，在解码器中设置多个局部原型，且在所述初始遮挡图像识别模型中设置瞬时方向提取模块和损失函数模块，建立中间遮挡图像识别模型；以及将所述预处理图像作为所述中间遮挡图像识别模型的输入变量，对所述中间遮挡图像识别模型进行训练和优化，获取目标遮挡图像识别模型。通过本发明专利技术公开的一种遮挡图像识别模型的训练方法，提高了遮挡图像识别模型的鲁棒性和精确性。精确性。精确性。

【技术实现步骤摘要】
一种遮挡图像识别模型的训练方法、装置、设备及介质


[0001]本专利技术涉及图像处理
，特别涉及一种遮挡图像识别模型的训练方法、装置、设备及介质。

技术介绍

[0002]随着计算机视觉技术的不断发展，通过道路交通监控系统抓拍各道路站点的车辆图像，并对车辆类型进行识别已经成为智能交通系统的重要组成部分。但是在现实生活中，抓拍的车辆可能会被行人和其他车辆等障碍物遮挡，被遮挡的车辆图像降低了车辆识别的准确率。现有的遮挡图像识别模型对被遮挡车辆的识别精度低，而且对于不同遮挡位置的车辆图像，不能精确的进行车辆识别，降低了模型的鲁棒性。

技术实现思路

[0003]本专利技术的目的在于提供一种遮挡图像识别模型的训练方法、装置、设备及介质，通过本专利技术的一种遮挡图像识别模型的训练方法，有效解决了现有的遮挡图像识别模型对被遮挡车辆的识别精度低，而且对于不同遮挡位置的车辆图像，不能精确的进行车辆识别，降低了模型的鲁棒性的问题，且本方法提高了遮挡图像识别模型的准确性和鲁棒性。
[0004]为解决上述技术问题，本专利技术是通过以下技术方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遮挡图像识别模型的训练方法，其特征在于，包括以下步骤：获取待识别车辆的图像，并对所述待识别车辆的图像进行预处理，获取预处理图像；获取初始遮挡图像识别模型，并在所述初始遮挡图像识别模型的编码器中设置动态的掩码感知模块和多头注意力约束模块，建立编码神经网络；在所述初始遮挡图像识别模型的解码器中设置多个局部原型，建立解码神经网络；在所述初始遮挡图像识别模型中设置瞬时方向提取模块和损失函数模块，并将所述编码神经网络的输出端以及所述瞬时方向提取模块的输出端与所述解码神经网络的输入端连接，建立中间遮挡图像识别模型；以及将所述预处理图像作为所述中间遮挡图像识别模型的输入变量，对所述中间遮挡图像识别模型进行训练和优化，获取目标遮挡图像识别模型。2.根据权利要求1所述的一种遮挡图像识别模型的训练方法，其特征在于，对所述待识别车辆的图像进行预处理，获取所述预处理图像的步骤包括：对所述待识别车辆的图像进行像素大小调整，获取像素统一的车辆图像；对所述像素统一的车辆图像进行数据增强，获取数据增强后的车辆图像；以及对所述数据增强后的车辆图像进行分割，获取所述预处理图像。3.根据权利要求2所述的一种遮挡图像识别模型的训练方法，其特征在于，对所述数据增强后的车辆图像进行分割，获取所述预处理图像的步骤包括：对所述数据增强后的车辆图像进行分割，获取车辆图像块的向量序列；对所述车辆图像块的向量序列进行线性变换，获取所述车辆图像块的线性向量序列；获取所述车辆图像块的位置信息和摄像头信息；以及将所述车辆图像块的位置信息和所述摄像头信息嵌入所述线性向量序列中，获所述预处理图像。4.根据权利要求1所述的一种遮挡图像识别模型的训练方法，其特征在于，建立所述编码神经网络的步骤包括：根据所述多头注意力约束模块，获取每个头部的注意力模块的注意力权重矩阵，其中，所述注意力权重矩阵满足以下公式：,其中，是欧几里得范数，是单位矩阵，是一个对多头注意力矩阵进行标准化的矩阵。5.根据权利要求1所述的一种遮挡图像识别模型的训练方法，其特征在于，建立所述解码神经网络的步骤包括：对所述待识别车辆的图像进行平均池化处理，获取池化后的车辆图像，其中，获取所述池化后的车辆图像满足以下公式：，其中，是池化后的车辆图像，是平均池化处理，为所述待识别车辆的图像；对所述池化后的车辆图像进行卷积操作，获取多个子特征图，其中，获取所述子特征图
满足以下公式：,其中，为深度卷积函数，为子特征图；以及将多个所述子特征图展开并进行连接...

【专利技术属性】
技术研发人员：吕强，王雪雁，吕建春，周平，江斌，杨涛，胡美玲，
申请(专利权)人：合肥市正茂科技有限公司，
类型：发明
国别省市：