(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210501728.7 (22)申请日 2022.05.10 (71)申请人 北京文安智能技 术股份有限公司 地址 100094 北京市海淀区丰豪东路9号院 2号楼5单 元801 (72)发明人 张志嵩　张帆　李振磊　任必为　 曹松　郑翔　宋君　陶海　 (51)Int.Cl. G06V 40/10(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 一种头部目标检测模型的训练方法 (57)摘要 本发明提供了一种头部目标检测模型的训 练方法， 包括： 获取目标场景的行人图像， 并对其 中的行人的头部区域使用标注框框选； 将行人图 像划分为正样本区域、 负样本区域和忽略区域； 对行人图像进行像素点标签标注形成训练样本 图像； 将多张训练样本图像构造成训练样本集， 利用训练样本集训练基础神经网络模型以获得 头部目标检测模 型。 本发明解决了现有技术中对 目标样本进行标注过程中从未考虑过标注的正 负样本的数量差异以及相似度差异对模型学习 正样本的典型特征造成的影 响， 从而导致训练好 的模型的存在召回率低， 检测性能差的问题。 权利要求书2页 说明书7页 附图2页 CN 114821655 A 2022.07.29 CN 114821655 A 1.一种头 部目标检测模型的训练方法， 其特 征在于， 包括： 步骤S1， 获取目标场景的多张行人图像， 并对各所述行人图像中的每个行人的头部区 域使用标注框 框选； 步骤S2， 依据所述标注框对所述行人图像进行区域划分， 以将所述行人图像划分为正 样本区域、 负 样本区域和忽略区域； 步骤S3， 对所述行人图像进行像素点标签标注， 以形成训练样本图像； 其中， 标注所述 正样本区域内的像素点标签值为1， 标注所述负样本区域内的像素点标签值为0， 标注所述 忽略区域内的像素点标签值为预定值， 所述预定值相对于所述负样本区域的像素点标签值 接近于所述正样本区域的像素点标签值； 步骤S4， 将多张所述训练样本图像构造成训练样本集， 利用所述训练样本集训练基础 神经网络模型以获得头 部目标检测模型。 2.根据权利要求1所述的头部目标检测模型的训练方法， 其特征在于， 在所述步骤S2 中， 遍历所有所述标注框， 并依据其尺寸对所述行 人图像进行区域划分， 当所述标注框的宽度或高度小于等于预设像素长度时， 将所述标注框框选的区域划分 为所述忽略区域； 当所述标注框的宽度和高度均大于预设像素长度时， 将所述标注框框选的区域的中心 点划分为 正样本区域， 并在所述标注框 框选的区域内划取 所述忽略区域； 将所述行人图像中所有所述正样本区域和所有所述忽略区域以外的区域划分为所述 负样本区域。 3.根据权利要求2所述的头部目标检测模型的训练方法， 其特征在于， 当所述标注框的 高度和宽度均大于所述预设像素长度时， 以所述标注框框选的区域的中心点为中心， 以n1 倍的所述标注框的宽度为宽度， 以n2倍的所述标注框的高度为高度， 使用矩形框划取所述 忽略区域。 4.根据权利要求3所述的头部目标检测模型的训练方法， 其特征在于， 1/3≤n1≤2/3， 1/3≤n2≤2/ 3。 5.根据权利要求3或4所述的头部目标检测模型的训练方法， 其特征在于， 拾取所述忽 略区域的宽度和高度时， n1=  n2=1/2。 6.根据权利要求3所述的头部目标检测模型的训练方法， 其特征在于， 当所述忽略区域 为多个时， 且当相邻的两个所述忽略区域满足合并条件时， 拾取同时满足所述合并条件的 所有所述忽略区域的最大外接矩形框框选的区域作为合并忽略区域； 其中， 所述合并条件 为： 相邻的两个所述忽略区域在所述行人图像的宽度方向和高度方向上的距离均小于等于 所述预设像素长度。 7.根据权利要求2所述的头部目标检测模型的训练方法， 其特征在于， 所述预设像素长 度的阈值范围为[1， 10]。 8.根据权利要求1所述的头部目标检测模型的训练方法， 其特征在于， 标注所述忽略区 域内的像素点标签值 为预定值的阈值范围为[0.9,0.9 9999999]。 9.根据权利要求1所述的头部目标检测模型的训练方法， 其特征在于， 在所述步骤S4 中， 优化所述头 部目标检测模型的focal loss损失函数为： FL(pt)=‑αt▪βt▪(1‑  pt)2▪log(pt)…………………………………………（1）权　利　要　求　书 1/2 页 2 CN 114821655 A 2式中， αt为正负样本平衡系数； βt为用于处 理忽略区域的模型 预测损失的惩罚系数； pt为模型预测中像素点标签属于正确类别的概 率值。 10.根据权利要求9所述的头 部目标检测模型的训练方法， 其特 征在于， 正负样本平衡系数αt的取值方式为： 当像素点标签值y=1时， αt=α， 当像素点标签值y≠1时， αt=1‑α， 其中， α 为取值范围[0.6,0.9]的常量； 用于处理忽略区域的模型 预测损失的惩罚系数βt的取值方式为： 当像素点标签值y=1时， βt=1， 当像素点标签值y≠1时， βt=(1‑  y)2； 模型预测中像素点标签属于正确类别的概 率值pt的取值方式为： 当像素点标签值y=1时， pt=P， 当像素点标签值y≠1时， pt =1‑P， 其中， P为模型 预测概率值。权　利　要　求　书 2/2 页 3 CN 114821655 A 3