本申请涉及机器学习,特别是涉及一种模型训练、目标检测方法、电子设备及计算机存储介质。
背景技术:
1、行人检测是利用计算机视觉技术来定位图像或视频序列中行人的位置,该技术与行人跟踪、行人分析等技术结合,广泛应用于智能监控领域。由于行人目标具有各种尺度、姿态以及遮挡情况,导致行人检测困难。现有的行人检测技术中,一般采用深度学习技术对图像中的行人候选区域进行检测,然后采用非极大值抑制算法来去除重复的目标检测框,提升行人检测精度。
技术实现思路
1、本申请提供了一种模型训练方法、目标检测方法、电子设备及计算机存储介质。
2、为解决上述技术问题,本申请提供了一种模型训练方法,包括:将待训练图像输入目标检测模型,获取目标预测框;获取所有目标预测框的目标中心点特征;基于所有所述目标中心点特征获取目标特征中心;按照所有所述目标中心点特征与所述目标特征中心的距离最短的条件训练所述目标检测模型。
3、其中,所述模型训练方法还包括:获取所述待训练图像中除所述目标中心点特征以外的背景特征;基于所有所述背景特征获取背景特征中心;所述按照所有所述目标中心点特征与所述目标特征中心的距离最短的条件训练所述目标检测模型,包括:按照所有所述目标中心点特征与所述目标特征中心的距离最短的条件,以及所有所述背景特征与所述背景特征中心的距离最短的条件训练所述目标检测模型。
4、其中,所述将待训练图像输入目标检测模型,获取目标预测框,包括:将所述待训练图像输入目标检测模型,利用所述目标检测模型的目标位置预测分支获取目标预测中心点;利用所述目标检测模型的目标检测框尺寸预测分支,获取目标检测框尺寸;利用所述目标预测中心点及其位置上的目标检测框尺寸,生成所述目标预测框。
5、其中,所述模型训练方法还包括:获取预测目标检测框的目标预测中心点为真实目标中心点的置信度;获取预测目标检测框尺寸和真实目标检测框尺寸之间的差值;根据所述置信度和所述差值对所述目标检测模型进行训练。
6、其中,所述获取预测目标检测框的目标预测中心点为真实目标中心点的置信度,包括:获取所述目标预测中心点与每一位置点的距离;按照所述距离计算所述每一位置点的置信度值;获取目标真实中心点对应位置点的置信度值,利用所述对应位置点的置信度值对所述目标检测模型进行训练。
7、其中,所述基于所有所述目标中心点特征获取目标特征中心,包括:根据所有所述目标中心点特征和所述待训练图像的维度数获取目标特征中心。
8、为解决上述技术问题,本申请还提出一种目标检测方法,所述目标检测方法包括:
9、将行人图像输入到目标检测模型中,获取目标检测框,其中,所述目标检测模型上述所述的模型训练方法获取。
10、其中,所述将行人图像输入到目标检测模型中,获取目标检测框之后,包括:通过筛选算法对目标检测框进行筛选,删除冗余目标检测框。
11、为解决上述技术问题,本申请还提出一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现上述所述的模型训练方法和/或所述的目标检测方法。
12、为解决上述技术问题,本申请还提出一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现上述所述的模型训练方法和/或所述的目标检测方法。
13、本申请的有益效果是:电子设备将待训练图像输入目标检测模型,获取目标预测框;获取所有目标预测框的目标中心点特征;基于所有所述目标中心点特征获取目标特征中心;按照所有所述目标中心点特征与所述目标特征中心的距离最短的条件训练所述目标检测模型。通过所有所述目标中心点特征获取目标特征中心,使得特征向中心进行靠近,将目标与其余特征的区别增大,减少误检,提高模型的目标检测精度。
1.一种模型训练方法,其特征在于,所述模型训练方法包括:
2.根据权利要求1所述的模型训练方法,其特征在于,
3.根据权利要求2所述的模型训练方法,其特征在于,
4.根据权利要求2所述的模型训练方法,其特征在于,
5.根据权利要求4所述的模型训练方法,其特征在于,
6.根据权利要求1所述的模型训练方法,其特征在于,
7.一种目标检测方法,其特征在于,所述目标检测方法包括:
8.根据权利要求7所述的目标检测方法,其特征在于,
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现如权利要求1-6任一项所述的模型训练方法和/或权利要求7-8任一项所述的目标检测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现如权利要求1-6任一项所述的模型训练方法和/或权利要求7-8任一项所述的目标检测方法。