CN111723609B - 模型优化方法、装置、电子设备及存储介质 - Google Patents
模型优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111723609B CN111723609B CN201910212727.9A CN201910212727A CN111723609B CN 111723609 B CN111723609 B CN 111723609B CN 201910212727 A CN201910212727 A CN 201910212727A CN 111723609 B CN111723609 B CN 111723609B
- Authority
- CN
- China
- Prior art keywords
- image recognition
- image
- identity information
- recognition model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims description 22
- 230000032683 aging Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种模型优化方法、装置、电子设备及存储介质，所述方法包括：利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。本申请有利于提高对指定场景下的图像的识别准确度。
Description
技术领域
本申请涉及视频监控领域，尤其涉及一种模型优化方法、装置、电子设备及计算机可读存储介质。
背景技术
现今，随着我国社会经济的不断发展和市场经济的需求，对于视频监控技术提出了越来越高的要求，现有的视频监控技术，常常需要从视频数据中识别出各种指定特征，如识别出人脸、肢体或者特定物体等等，以保证视频监控的有效性；相关技术中，对于指定特征进行识别的方法，通常采集训练数据，然后通过不同机器学习方式进行算法训练，从而获取对应的特征识别模型，并将其应用到各种适用的场景中。
但是，在实现本发明的过程中，发明人发现：如果基于历史数据训练特征识别模型，历史数据的来源场景比较随机，通过这样的历史数据训练出来的特征识别模型的通用性较强，虽然能适用于多种场景，但由于实际应用场景各有不同，其实际采集的图像具有各自的特点，特定场景中采集到的特定图像使得由历史数据训练出来的特征识别模型，在对新出现的特定图像进行识别时，无法正确识别到想要的特征从而获取正确的信息，导致识别的准确率低于预期的准确率，其使用效果不佳。
发明内容
有鉴于此，本申请实施例提供一种模型优化方法、装置、电子设备及计算机可读存储介质。
本申请的第一方面提供了一种模型优化方法，所述方法具体包括：
利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；
利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；
根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
可选地，所述利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度包括：
将当前实时采集的图像输入至第一图像识别模型，以利用所述第一图像识别模型识别所述图像中对象的预测特征信息；
当检测到图像中的对象利用其目标物执行指定动作时，获取对象的基准特征信息；
依据各对象的预测特征信息和基准特征信息计算所述第一图像识别模型的第一图像识别准确度。
可选地，所述获取对象的基准特征信息包括：
识别所述目标物的类别；
当所述目标物的类别为第一类别时，所述第一类别用于指示目标物关联的基准特征信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准特征信息；
当所述目标物的类别为第二类别时，所述第二类别用于指示目标物关联的基准特征信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准特征信息。
可选地，所述利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度包括：
将指定场景下指定时间段内采集的各图像分别输入至第二图像识别模型，以利用所述第二图像识别模型识别各图像中对象的预测特征信息；
依据各对象的预测特征信息和已存储的各对象的基准特征信息计算所述第二图像识别模型的第二图像识别准确度。
可选地，所述根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型包括：
比较所述第一图像识别准确度和所述第二图像识别准确度；
如果前者小于后者，则确定当前使用的图像识别模型从第一图像识别模型切换为第二图像识别模型；
否则，基于所述第一图像识别准确度和所述第二图像识别准确度确定优化策略，并根据所述优化策略对所述第二图像识别模型继续进行优化。
根据本申请实施例的第二方面，提供一种模型优化装置，所述装置包括：
第一识别准确度确定模块，用于利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；
第二识别准确度确定模块，用于利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；
模型切换判断模块，用于根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
可选地，所述第一识别准确度确定模块包括：
预测特征信息识别单元，用于将当前实时采集的图像输入至第一图像识别模型，以利用所述第一图像识别模型识别所述图像中对象的预测特征信息；
基准特征信息获取单元，用于当检测到图像中的对象利用其目标物执行指定动作时，获取对象的基准特征信息；
识别准确度计算单元，用于依据各对象的预测特征信息和基准特征信息计算所述第一图像识别模型的第一图像识别准确度。
可选地，所述基准特征信息获取单元包括：
类别识别子单元，用于当检测到图像中的对象利用其目标物执行指定动作时，识别所述目标物的类别；
基准特征信息获取子单元，用于当为第一类别时，所述第一类别用于指示目标物关联的基准特征信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准特征信息；
所述基准特征信息获取子单元，还用于当为第二类别时，所述第二类别用于指示目标物关联的基准特征信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准特征信息。
根据本申请实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；
利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；
根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
根据本申请实施例的第四方面，还提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请实施例基于指定场景下采集的图像分别对第一图像识别模型以及第二图像识别模型进行评估，所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的，分别确定第一图像识别模型对于指定场景下采集的图像的第一图像识别准确度，以及第二图像识别模型对于指定场景下采集的图像的第二图像识别准确度，进而确定优化的第二图像识别模型是否优于第一图像识别模型，从而实现了对优化后模型的准确评估，有利于提高对指定场景下的图像的识别准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
图1为本申请根据一示例性实施例示出的一种模型优化方法实施例流程图；
图2为本申请根据一示例性实施例示出的另一种模型优化方法的实施例流程图；
图3为本申请根据一示例性实施例示出的一种模型优化装置的实施例的示意图；
图4为本申请根据一示例性实施例提供一种电子设备的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
相关技术中的特征识别模型如果基于历史数据训练特征识别模型，历史数据的来源场景比较随机，通过这样的历史数据训练出来的特征识别模型的通用性较强，虽然能适用于多种场景，但由于实际应用场景各有不同，其实际采集的图像具有各自的特点，特定场景中采集到的特定图像使得由历史数据训练出来的特征识别模型，在对新出现的特定图像进行识别时，无法正确识别到想要的特征从而获取正确的信息，导致识别的准确率低于预期的准确率，其使用效果不佳。
因此，针对上述问题，本申请提出了一种模型优化方法，该方法的流程图如图1所示，所述特征识别模型的训练方法可集成于一电子设备中，由所述电子设备来执行，所述电子设备可以是手机、电脑、智能平板、PDA(Personal Digital Assistant，个人数字助理)或者服务器等计算设备，所述电子设备可以安装在本地，也可以安装在云端上，本申请对此不做任何限制。
图1为本申请根据一示例性实施例示出的一种模型优化方法的实施例流程图，所述方法具体包括：
步骤S101，利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度。
步骤S102，利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的。
步骤S103，根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
在步骤S101中，所述电子设备基于指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；可以理解的是，本申请实施例对于所述指定场景不做任何限制，可依据实际情况进行具体设置，例如所述指定场景可以是地铁场景、商务楼宇、商场、生产车间或者停车场等；所述在指定场景下采集的图像可以是设置于指定场景的指定位置上的摄像机或者照相机所采集的图像，其中，本申请实施例对于所述指定位置不做任何限制，例如在地铁场景下，采集的图像可以是设置在地铁过闸机卡口处的摄像机采集的人脸图像；又或者在生产车间中，采集的图像可以是设置在流水线机器上的摄像机采集的流水线上的物品图像。
在一实施例中，所述电子设备在检测到所述指定场景下采集的图像中的对象利用其目标物执行指定动作时，获取对象的基准特征信息，可以理解的是，本申请实施例对于所述目标物的具体形态以及所述指定动作不做任何限制，可依据实际场景进行具体设置，例如所述目标物可以是实体卡如公交卡或者工牌、或者是屏幕上显示有识别凭证的移动终端、又或者是带有识别凭证的纸张等，所述识别凭证可以是识别码如二维码、条形码等，也可以是可识别的字迹、颜色等；所述指定动作可以是刷卡动作如在地铁场景中将地铁卡放在过闸机的地铁卡感测区域的动作、或者投币动作等；本实施例通过检测图像中的对象的指定动作，从而获取所述对象的基准特征信息，为后续评估图像识别模型确定准确的基准数据，突破相关技术中难以获取指定场景采集的图像的基准特征信息的瓶颈，有助于图像识别模型的优化过程。
其中，所述电子设备可以通过以下步骤获取对象的基准特征信息：识别所述目标物的类别，当所述目标物的类别为第一类别时，所述第一类别用于指示目标物关联的基准特征信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准特征信息，例如在地铁场景中，识别到的目标物为地铁卡，属于关联有身份信息的类别，则从所述地铁卡的登记办理处的相关存储文件中获取该地铁卡关联的身份信息；当所述目标物的类别为第二类别时，所述第二类别用于指示目标物关联的基准特征信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准特征信息，例如在地铁场中，识别到的目标物为临时卡，属于未关联有身份信息的类别，则需要对持有该临时卡的对象人工标定身份信息，并将标定的身份信息存储到人工标定服务器中，以便从人工标定服务器中取用。
在另一实施例中，所述电子设备将当前在所述指定场景下实时采集的图像输入至所述第一图像识别模型，以利用所述第一图像识别模型识别出所述图像中对象的预测特征信息，并且在获取到对象的基准特征信息后，依据各对象的预测特征信息和基准特征信息计算所述第一图像识别模型的第一图像识别准确度；所述第一图像识别准确度可以是识别的预测特征信息的正确率、漏检率以及误检率中的至少一个；本申请实施例能够基于所述基准特征信息评估所述第一图像识别模型的图像识别准确度，打破现有技术中难以获取基准特征信息进而难以基于指定场景下的图像对图像识别模型进行准确度评估的现象，有助于图像识别模型的优化过程。
在步骤S102中，所述电子设备可以周期性地对当前使用的第一图像识别模型进行深度优化处理，以得到第二图像识别模型，具体地，所述电子设备基于从所述指定场景下采集的图像以及预设的运行参数调整策略对所述第一图像识别模型进行优化，以得到第二图像识别模型；可以理解的是，本申请实施例对于优化周期的具体设置不做任何限制，可依据实际情况进行具体设置，在一个例子中，存储指定场景下采集的图像的存储模块如存储服务器、flash闪存等，由于受限于自身存储容量的原因，其无法存储指定场景下采集的所有图像，为了保证所述存储模块有适当的存储容量会设置相应的老化周期，即每隔预设时间则覆盖之前存储的图像数据，因此可以基于所述存储模块的老化时间相应设置优化周期，在存储模块老化之前获取之前存储的图像数据，以对所述第一图像识别模型进行优化，有利于节省模型优化成本，而且，由于在指定场景下都是在同一位置上采集的图像，因此图像上的背景相同，基于这样的图像对所述第一图像识别模型进行优化，有利于提高优化的图像识别模型对所述特定场景下采集的图像的识别效率。
在一实施例中，所述电子设备将指定场景下指定时间段内采集的各图像分别输入至第二图像识别模型，以利用所述第二图像识别模型识别各图像中对象的预测特征信息，然后依据各对象的预测特征信息和已存储的各对象的基准特征信息计算所述第二图像识别模型的第二图像识别准确度；所述第二图像识别准确度可以是识别的预测特征信息的正确率、漏检率以及误检率中的至少一个；可以理解的是，本申请实施例对于所述指定时间段的具体设置不做任何限制，可依据实际情况进行具体设置，例如所述指定时间段可以是所述存储模块的老化周期。
在步骤S103中，所述电子设备基于所述第一图像识别准确度和所述第二图像识别准确度对所述第一图像识别模型以及所述第二图像识别模型进行评估，具体地，所述电子设备比较所述第一图像识别准确度和所述第二图像识别准确度，如果前者小于后者，表明所述第二图像识别模型对于指定场景下采集的图像的识别准确度优于第一图像识别模型，则确定当前使用的图像识别模型从第一图像识别模型切换为第二图像识别模型，否则，基于所述第一图像识别准确度和所述第二图像识别准确度确定优化策略，并根据所述优化策略对所述第二图像识别模型继续进行优化，即是说，所述电子设备基于所述第一图像识别准确度和所述第二图像识别准确度确定运行参数调整策略，然后基于所述运行参数调整策略以及所述指定场景下采集的图像对所述第二图像识别模型继续进行优化，直到所述第二图像识别准确度大于所述第一图像识别模型；其中，所述运行参数调整策略包括：确定所述运行参数的具体取值，比如所述第二图像识别模型的漏检率高于所述第一图像识别模型的漏检率，则相应调整与漏检率相关的运行参数，从而实现第二图像识别模型基于指定场景下的参数定制化，使得所述第二图像识别模型能够在指定场景下有更高的识别准确率。
可以看出，本申请实施例基于指定场景下采集的图像分别对第一图像识别模型以及第二图像识别模型进行评估，所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的，分别确定第一图像识别模型对于指定场景下采集的图像的第一图像识别准确度，以及第二图像识别模型对于指定场景下采集的图像的第二图像识别准确度，进而确定优化的第二图像识别模型是否优于第一图像识别模型，从而实现了对优化后模型的准确评估，有利于提高对指定场景下的图像的识别准确度。
图2是本公开根据一示例性实施例示出的另一种模型优化方法流程图。该方法可以应用于所述电子设备中，该实施例相对于图1更详细描述了本公开的技术方案。
以下结合图2详细描述技术方案。图2的实施例以指定场景为地铁场景，当前使用的第一图像识别模型为第一人脸识别模型，优化后的第二图像识别模型为第二人脸识别模型为例进行说明。所述第一人脸识别模型以及所述第二人脸识别模型能够基于输入的人脸图像输出预测身份信息，如身份证号、姓名等。
如图2所示，所述方法包括：
S201，利用地铁场景下采集的人脸图像确定当前使用的第一人脸识别模型在进行图像识别时的第一图像识别准确度。
S202，利用地铁场景下采集的图像确定第二人脸识别模型在进行图像识别时的第二图像识别准确度；所述第二人脸识别模型是通过对所述第一人脸识别模型进行深度优化处理得到的。
S203，根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的人脸识别模型是否从第一人脸识别模型切换为第二人脸识别模型。
在步骤S201中，所述地铁场景下采集的图像可以是设置在过闸机卡口处的摄像机采集的人脸图像。
在一实施例中，所述电子设备检测到所述人脸图像对应的乘客利用其目标物执行指定动作时，获取该乘客的真实身份信息，所述目标物可以是地铁卡、临时卡或者虚拟卡(如二维码)，所述指定动作可以是刷卡动作或者投币动作等；具体地，所述电子设备首先识别所述目标物的类别，当识别到所述目标物为实体卡或者虚拟卡时，确定其属于关联有真实身份信息的类别，则从所述地铁卡的登记办理处的相关存储文件中获取该地铁卡关联的真实身份信息或者从所述虚拟卡对应的第三方平台获取关联的真实身份信息，当识别到所述目标物为临时卡，确定其属于未关联有真实身份信息的类别，则需要对持有该临时卡的乘客人工标定真实身份信息，并将标定的真实身份信息存储到人工标定服务器中，以便从人工标定服务器中取用；本申请实施例实现了在采集地铁场景下的人脸图像时，可以基于上述方式获取到其人脸图像对应的真实身份信息，突破相关技术中难以获取地铁场景中采集的人脸图像对应的真实身份信息的瓶颈，有助于利用地铁场景采集的人脸图像进行模型优化的过程。
在另一实施例中，所述电子设备将当前在所述地铁场景下实时采集的人脸图像输入至所述第一人脸识别模型，以利用所述第一人脸识别模型识别出所述人脸图像对应的乘客的预测身份信息，并且在获取到所述乘客的真实身份信息后，依据各乘客的预测身份信息和真实身份信息计算所述第一人脸识别模型的第一图像识别准确度；所述第一图像识别准确度可以是识别的预测身份信息的正确率、漏检率以及误检率中的至少一个；本申请实施例打破现有技术中难以获取真实身份信息进而难以基于地铁场景下的人脸图像对人脸识别模型进行准确度评估的现象，有助于人脸识别模型的优化过程。
在步骤S202中，所述电子设备可以周期性地对当前使用的第一人脸识别模型进行深度优化处理，以得到第二人脸识别模型，具体地，所述电子设备基于所述地铁场景下采集的图像以及预设的运行参数调整策略对所述第一人脸识别模型进行优化，以得到第二人脸识别模型；其中，所述地铁场景下采集的图像可以是存储模块如存储服务器在开始一个老化周期之前存储的人脸图像，所述存储模块用于存储地铁场景下采集的人脸图像。
在一实施例中，所述电子设备将地铁场景下指定时间段内采集的各人脸图像分别输入至第二人脸识别模型，以利用所述第二人脸识别模型识别各人脸图像对应的乘客的预测身份信息，然后依据各乘客的预测身份信息和真实身份信息计算所述第二人脸识别模型的第二图像识别准确度；所述第二图像识别准确度可以是识别的预测身份信息的正确率、漏检率以及误检率中的至少一个；可以理解的是，本申请实施例对于所述指定时间段的具体设置不做任何限制，可依据实际情况进行具体设置，例如所述指定时间段可以是所述存储模块的老化周期。
在步骤S203中，所述电子设备基于所述第一图像识别准确度和所述第二图像识别准确度对所述第一人脸识别模型以及所述第二人脸识别模型进行评估，具体地，所述电子设备比较所述第一图像识别准确度和所述第二图像识别准确度，如果前者小于后者，则确定当前使用的人脸识别模型从第一人脸识别模型切换为第二人脸识别模型，否则，基于所述第一图像识别准确度和所述第二图像识别准确度确定优化策略，并根据所述优化策略对所述第二人脸识别模型继续进行优化，即是说，所述电子设备基于所述第一图像识别准确度和所述第二图像识别准确度确定运行参数调整策略，然后基于所述运行参数调整策略以及所述地铁场景下采集的图像对所述第二人脸识别模型继续进行优化，直到所述第二图像识别准确度大于所述第一人脸识别模型；其中，所述运行参数调整策略包括：确定所述运行参数的具体取值，从而实现第二人脸识别模型基于指定场景下的参数定制化，使得所述第二人脸识别模型能够在指定场景下有更高的识别准确率。
可以看出，本申请实施例基于地铁场景下采集的图像分别对第一人脸识别模型以及第二人脸识别模型进行评估，所述第二人脸识别模型是通过对所述第一人脸识别模型进行深度优化处理得到的，分别确定第一人脸识别模型对于指定场景下采集的图像的第一图像识别准确度，以及第二人脸识别模型对于指定场景下采集的图像的第二图像识别准确度，进而确定优化的第二人脸识别模型是否优于第一人脸识别模型，从而实现了对优化后模型的准确评估，有利于提高对指定场景下的图像的识别准确度。
与本申请的模型优化方法的实施例相对应，本申请还提供了模型优化装置、电子设备以及计算机可读存储介质的实施例。
请参阅图3，为本申请模型优化装置的一个实施例框图，该装置包括：
第一识别准确度确定模块31，用于利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度。
第二识别准确度确定模块32，用于利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的。
模型切换判断模块33，用于根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
可选地，所述第一识别准确度确定模块31包括：
预测特征信息识别单元，用于将当前实时采集的图像输入至第一图像识别模型，以利用所述第一图像识别模型识别所述图像中对象的预测特征信息。
基准特征信息获取单元，用于当检测到图像中的对象利用其目标物执行指定动作时，获取对象的基准特征信息。
识别准确度计算单元，用于依据各对象的预测特征信息和基准特征信息计算所述第一图像识别模型的第一图像识别准确度。
可选地，所述基准特征信息获取单元包括：
类别识别子单元，用于当检测到图像中的对象利用其目标物执行指定动作时，识别所述目标物的类别。
基准特征信息获取子单元，用于当为第一类别时，所述第一类别用于指示目标物关联的基准特征信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准特征信息。
所述基准特征信息获取子单元，还用于当为第二类别时，所述第二类别用于指示目标物关联的基准特征信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准特征信息。
可选地，所述第二识别准确度确定模块32包括：
预测信息识别单元，用于将指定场景下指定时间段内采集的各图像分别输入至第二图像识别模型，以利用所述第二图像识别模型识别各图像中对象的预测特征信息。
图像识别准确度计算单元，用于依据各对象的预测特征信息和已存储的各对象的基准特征信息计算所述第二图像识别模型的第二图像识别准确度。
可选地，所述模型切换判断模块33包括：
识别准确度比较单元，用于比较所述第一图像识别准确度和所述第二图像识别准确度。
模型切换单元，用于如果前者小于后者，则确定当前使用的图像识别模型从第一图像识别模型切换为第二图像识别模型。
模型继续优化单元，用于否则，基于所述第一图像识别准确度和所述第二图像识别准确度确定优化策略，并根据所述优化策略对所述第二图像识别模型继续进行优化。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，如图4所示本发明还提供一种电子设备40，包括有处理器41；用于存储可执行指令的存储器42，所述存储器42包括计算机程序43；其中，处理器41被配置为：
利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度。
利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的。
根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
所述处理器41执行所述存储器42中包括的计算机程序43，所述处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器42存储所述模型优化方法的计算机程序，所述存储器42可以包括至少一种类型的存储介质，存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等等。而且，设备可以与通过网络连接执行存储器的存储功能的网络存储装置协作。存储器42可以是设备40的内部存储单元，例如设备40的硬盘或内存。存储器42也可以是设备40的外部存储设备，例如设备40上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器42还可以既包括设备40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序43以及设备所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
这里描述的各种实施方式可以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器中并且由控制器执行。
电子设备40包括但不限于以下存在形式：(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等；(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad；(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod),掌上游戏机，电子书，以及智能玩具和便携式车载导航设备；(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于只要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高；(5)其他具有数据交互功能的电子设备。设备可包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是电子设备40的示例，并不构成对电子设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如设备还可以包括输入输出设备、网络接入设备、总线、摄像设备等。
上述设备中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由装置的处理器执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当存储介质中的指令由终端的处理器执行时，使得终端能够执行上述模型优化方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种模型优化方法，其特征在于，所述模型应用于能够基于采集的图像中的对象携带的目标物获取到对象的基准身份信息的场景；所述方法包括：
利用指定场景下在同一位置上采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；所述第一图像识别准确度依据所述第一图像识别模型识别到的所述图像中对象的预测身份信息和获取到的基准身份信息计算得到；其中，所述基准身份信息是在检测到图像中的对象利用其目标物执行指定动作时获取的；所述目标物为带有识别凭证的物体；获取对象的基准身份信息包括：识别所述目标物的类别；当所述目标物的类别为第一类别时，所述第一类别用于指示目标物关联的基准身份信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准身份信息；当所述目标物的类别为第二类别时，所述第二类别用于指示目标物关联的基准身份信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准身份信息；
利用指定场景下在同一位置上采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；所述第二图像识别准确度依据所述第二图像识别模型识别到的所述图像中对象的预测身份信息和获取到的基准身份信息计算得到；其中，所述第二图像识别模型的优化周期基于存储所述图像的存储模块的老化周期设置；
根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
2.根据权利要求1所述的方法，其特征在于，所述利用指定场景下采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度包括：
将当前实时采集的图像输入至第一图像识别模型，以利用所述第一图像识别模型识别所述图像中对象的预测身份信息；
当检测到图像中的对象利用其目标物执行指定动作时，获取对象的基准身份信息；
依据各对象的预测身份信息和基准身份信息计算所述第一图像识别模型的第一图像识别准确度。
3.根据权利要求1所述的方法，其特征在于，所述利用指定场景下采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度包括：
将指定场景下指定时间段内采集的各图像分别输入至第二图像识别模型，以利用所述第二图像识别模型识别各图像中对象的预测身份信息；
依据各对象的预测身份信息和已存储的各对象的基准身份信息计算所述第二图像识别模型的第二图像识别准确度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型包括：
比较所述第一图像识别准确度和所述第二图像识别准确度；
如果前者小于后者，则确定当前使用的图像识别模型从第一图像识别模型切换为第二图像识别模型；
否则，基于所述第一图像识别准确度和所述第二图像识别准确度确定优化策略，并根据所述优化策略对所述第二图像识别模型继续进行优化。
5.一种模型优化装置，其特征在于，所述模型应用于能够基于采集的图像中的对象携带的目标物获取到对象的基准身份信息的场景；所述装置包括：
第一识别准确度确定模块，用于利用指定场景下在同一位置上采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；所述第一图像识别准确度依据所述第一图像识别模型识别到的所述图像中对象的预测身份信息和获取到的基准身份信息计算得到；其中，所述基准身份信息是在检测到图像中的对象利用其目标物执行指定动作时获取的；所述目标物为带有识别凭证的物体；
基准身份信息获取单元包括：
类别识别子单元，用于当检测到图像中的对象利用其目标物执行指定动作时，识别所述目标物的类别；
基准身份信息获取子单元，用于当为第一类别时，所述第一类别用于指示目标物关联的基准身份信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准身份信息；
所述基准身份信息获取子单元，还用于当为第二类别时，所述第二类别用于指示目标物关联的基准身份信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准身份信息；
第二识别准确度确定模块，用于利用指定场景下在同一位置上采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；所述第二图像识别准确度依据所述第二图像识别模型识别到的所述图像中对象的预测身份信息和获取到的基准身份信息计算得到；所述第二图像识别模型的优化周期基于存储所述图像的存储模块的老化周期设置；
模型切换判断模块，用于根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
6.根据权利要求5所述的装置，其特征在于，所述第一识别准确度确定模块包括：
预测身份信息识别单元，用于将当前实时采集的图像输入至第一图像识别模型，以利用所述第一图像识别模型识别所述图像中对象的预测身份信息；
基准身份信息获取单元，用于当检测到图像中的对象利用其目标物执行指定动作时，获取对象的基准身份信息；
识别准确度计算单元，用于依据各对象的预测身份信息和基准身份信息计算所述第一图像识别模型的第一图像识别准确度。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
利用指定场景下在同一位置上采集的图像确定当前使用的第一图像识别模型在进行图像识别时的第一图像识别准确度；所述第一图像识别准确度依据所述第一图像识别模型识别到的所述图像中对象的预测身份信息和获取到的基准身份信息计算得到；其中，所述基准身份信息是在检测到图像中的对象利用其目标物执行指定动作时获取的；所述目标物为带有识别凭证的物体；获取对象的基准身份信息包括：识别所述目标物的类别；当所述目标物的类别为第一类别时，所述第一类别用于指示目标物关联的基准身份信息存储在指定存储介质，则从指定存储介质读取所述目标物关联的基准身份信息；当所述目标物的类别为第二类别时，所述第二类别用于指示目标物关联的基准身份信息被人工标定，则从人工标定服务器中获取所述目标物关联的基准身份信息；
利用指定场景下在同一位置上采集的图像确定第二图像识别模型在进行图像识别时的第二图像识别准确度；所述第二图像识别模型是通过对所述第一图像识别模型进行深度优化处理得到的；所述第二图像识别准确度依据所述第二图像识别模型识别到的所述图像中对象的预测身份信息和获取到的基准身份信息计算得到；所述第二图像识别模型的优化周期基于存储所述图像的存储模块的老化周期设置；
根据所述第一图像识别准确度和所述第二图像识别准确度确定当前使用的图像识别模型是否从第一图像识别模型切换为第二图像识别模型。
8.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至4任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910212727.9A CN111723609B (zh) | 2019-03-20 | 2019-03-20 | 模型优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910212727.9A CN111723609B (zh) | 2019-03-20 | 2019-03-20 | 模型优化方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111723609A CN111723609A (zh) | 2020-09-29 |
| CN111723609B true CN111723609B (zh) | 2024-01-26 |
Family
ID=72562903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910212727.9A Active CN111723609B (zh) | 2019-03-20 | 2019-03-20 | 模型优化方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723609B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679460A (zh) * | 2017-09-11 | 2018-02-09 | 广东欧珀移动通信有限公司 | 人脸的自学习方法及相关产品 |
| CN107920163A (zh) * | 2017-11-14 | 2018-04-17 | 维沃移动通信有限公司 | 一种提醒模式切换方法及移动终端、云端服务器 |
| CN108776819A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种目标识别方法、移动终端及计算机可读存储介质 |
| CN108960209A (zh) * | 2018-08-09 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 身份识别方法、装置及计算机可读存储介质 |
| CN109034048A (zh) * | 2018-07-20 | 2018-12-18 | 苏州中德宏泰电子科技股份有限公司 | 人脸识别算法模型切换方法与装置 |
| CN109063790A (zh) * | 2018-09-27 | 2018-12-21 | 北京地平线机器人技术研发有限公司 | 对象识别模型优化方法、装置和电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10115185B2 (en) * | 2014-12-05 | 2018-10-30 | At&T Intellectual Property I, L.P. | Dynamic image recognition model updates |
| US20170277955A1 (en) * | 2016-03-23 | 2017-09-28 | Le Holdings (Beijing) Co., Ltd. | Video identification method and system |
-
2019
- 2019-03-20 CN CN201910212727.9A patent/CN111723609B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679460A (zh) * | 2017-09-11 | 2018-02-09 | 广东欧珀移动通信有限公司 | 人脸的自学习方法及相关产品 |
| CN107920163A (zh) * | 2017-11-14 | 2018-04-17 | 维沃移动通信有限公司 | 一种提醒模式切换方法及移动终端、云端服务器 |
| CN108776819A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种目标识别方法、移动终端及计算机可读存储介质 |
| CN109034048A (zh) * | 2018-07-20 | 2018-12-18 | 苏州中德宏泰电子科技股份有限公司 | 人脸识别算法模型切换方法与装置 |
| CN108960209A (zh) * | 2018-08-09 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 身份识别方法、装置及计算机可读存储介质 |
| CN109063790A (zh) * | 2018-09-27 | 2018-12-21 | 北京地平线机器人技术研发有限公司 | 对象识别模型优化方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111723609A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858445B (zh) | 用于生成模型的方法和装置 | |
| CN107403424B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
| WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
| US11126882B2 (en) | Method and device for license plate positioning | |
| CN109035246B (zh) | 一种人脸的图像选择方法及装置 | |
| CN111512317B (zh) | 一种多目标实时跟踪方法、装置及电子设备 | |
| WO2017185630A1 (zh) | 基于情绪识别的信息推荐方法、装置和电子设备 | |
| CN108875731B (zh) | 目标识别方法、装置、系统及存储介质 | |
| CN106778453B (zh) | 人脸图像中检测眼镜佩戴的方法及装置 | |
| CN107820210B (zh) | 一种签到方法、移动终端及计算机可读存储介质 | |
| CN109961781B (zh) | 基于机器人的语音信息接收方法、系统及终端设备 | |
| CN107959798B (zh) | 视频数据实时处理方法及装置、计算设备 | |
| CN116721739B (zh) | 一种基于运动时长评估专注力训练的方法及装置 | |
| US10659680B2 (en) | Method of processing object in image and apparatus for same | |
| CN108875506B (zh) | 人脸形状点跟踪方法、装置和系统及存储介质 | |
| CN107832598B (zh) | 解锁控制方法及相关产品 | |
| CN112990009B (zh) | 基于端到端的车道线检测方法、装置、设备及存储介质 | |
| CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
| CN112912889A (zh) | 图像模板的更新方法、设备及存储介质 | |
| CN113489897A (zh) | 图像处理方法及相关装置 | |
| CN111723609B (zh) | 模型优化方法、装置、电子设备及存储介质 | |
| CN113569771B (zh) | 视频分析方法及装置、电子设备和存储介质 | |
| CN111382626B (zh) | 视频中违规图像的检测方法、装置、设备及存储介质 | |
| CN112822666A (zh) | 一种通信方法、装置、电子设备及存储介质 | |
| CN112380938A (zh) | 一种人脸识别及测温方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |