(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 202211223989.3 (22)申请日 2022.10.09 (71)申请人 平安银行股份有限公司 地址 518000 广东省深圳市罗湖区深南 东 路5047号 (72)发明人 于欣璐　李骁　赖众程　常鹏　 高洪喜　张莉　冯晋飞　苏杰　 邓兆卉　胡云飞　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 荣颖佳 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/70(2022.01) G06V 10/20(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 风险物体检测及其模 型的训练方法、 装置及 电子设备 (57)摘要 本申请提供了一种风险物体检测及其模型 的训练方法、 装置及电子设备， 风险物体检测模 型的训练方法包括： 获取初始风险物体检测模 型； 初始风险物 体检测模型为基于小样本训练集 对预设目标检测模型进行训练得到的； 以初始风 险物体检测模 型作为当前模型， 循环执行以下训 练步骤直到当前模型满足指定要求： 通过当前模 型对目标场景视频中抽取的图像帧进行预测， 得 到每个图像帧对应的个体预测结果及目标场景 视频对应的整体预测结果； 基于整体预测结果及 每个图像帧对应的个体预测结果， 获取重标注样 本； 应用包含重标注样本的训练集对当前模型进 行训练； 以训练后的模型更新当前模型。 本申请 通过基于样本重标注的反馈机制不断提高模型 的风险物体识别性能。 权利要求书2页 说明书10页 附图3页 CN 115294505 A 2022.11.04 CN 115294505 A 1.一种风险物体 检测模型的训练方法， 其特 征在于， 所述方法包括： 获取初始风险物体检测模型； 所述初始风险物体检测模型为基于小样本训练集对预设 目标检测模型进行训练得到的； 以所述初始风险物体 检测模型作为当前模型， 执 行以下训练步骤： 通过所述当前模型对目标场景视频中抽取的图像帧进行预测， 得到每个图像帧对应的 个体预测结果及所述 目标场景视频对应的整体预测结果； 其中， 所述个体预测结果包括预 测出的风险物体位置信息和类别 信息； 所述整体预测结果包括是否存在风险物体的信息； 基于所述整体预测结果及每 个所述图像帧对应的个 体预测结果， 获取重标注样本； 应用包含所述重标注样本的训练集对所述当前模型进行训练； 以训练后的模型更新所述当前模型， 继续执行所述训练步骤， 直至所述当前模型满足 指定要求， 将所述当前模型作为目标风险物体 检测模型。 2.根据权利要求1所述的方法， 其特 征在于， 获取初始风险物体 检测模型的步骤， 包括： 获取小样本训练集； 所述小样本训练集中的样本包括： 标注有风险物体分别对应的类 别和检测框的图像； 对所述小样本训练集中的样本进行预设增强处理； 所述预设增强处理包括： 图像裁剪 处理和/或增 加噪声处 理； 采用所述增强处理后的样本对所述预设目标检测模型进行训练， 得到初始风险物体检 测模型。 3.根据权利要求1所述的方法， 其特征在于， 通过所述当前模型对目标场景视频中抽取 的图像帧进行预测， 得到每个图像帧对应的个体预测结果及所述目标场景视频对应的整体 预测结果的步骤， 包括： 将所述目标场景视频中抽取的多个所述图像帧分别输入至所述初始风险物体检测模 型进行预测， 得到每 个所述图像帧对应的个 体预测结果； 根据每个所述图像帧对应的个体预测结果， 判断是否有连续指定个数的图像帧中存在 风险物体； 如果是， 确定所述目标场景视频对应的整体预测结果 为存在风险物体。 4.根据权利要求1所述的方法， 其特征在于， 基于所述整体预测结果及每个所述图像帧 对应的个 体预测结果， 获取重标注样本的步骤， 包括： 在标注人员根据 所述整体预测结果， 检查所述目标场景视频后确定所述整体预测结果 为假阳性或假阴性时， 响应所述标注人员针对所述图像帧的重标注操作， 得到 重标注样本 。 5.根据权利要求4所述的方法， 其特征在于， 响应所述标注人员针对所述图像帧的重标 注操作， 得到 重标注样本的步骤， 包括： 如果所述图像帧对应的个体预测结果中存在类别错误， 响应所述标注人员针对所述图 像帧的类别修改操作， 得到重标注样本； 所述类别错误包括： 将非风险物体预测为风险物体 类别、 普通 风险物体 类别错误； 如果所述图像帧对应的个体预测结果中存在检测框错误， 响应所述标注人员对所述图 像帧的检测框调整操作， 得到 重标注样本； 如果所述图像帧中存在新风险物体， 响应所述标注人员针对所述图像帧中所述新风险 物体的类别和检测框的标注操作， 得到 重标注样本 。权　利　要　求　书 1/2 页 2 CN 115294505 A 26.根据权利要求1所述的方法， 其特征在于， 所述预设目标检测模型包括： YOLOv5算法 模型。 7.根据权利要求1所述的方法， 其特征在于， 所述目标场景视频包括个人贷款远程面签 业务场景视频。 8.根据权利要求1所述的方法， 其特征在于， 所述风险物体至少包括以下之一： 轮椅、 拐 杖、 病号服、 纸条、 营业执照和卡片。 9.一种风险物体 检测方法， 其特 征在于， 所述方法包括： 获取待检测视频； 从所述待检测视频中抽取多个待检测图像帧； 将多个所述待检测图像帧输入至目标风险物体检测模型； 所述目标风险物体检测模型 为通过如权利要求1 ‑8任一项所述的方法训练得到的； 通过所述风险物体检测模型输出所述待检测视频对应的整体预测结果； 所述整体预测 结果包括： 存在风险物体或不存在风险物体。 10.一种风险物体 检测模型的训练装置， 其特 征在于， 所述装置包括： 初始模型获取模块， 用于获取初始风险物体检测模型； 所述初始风险物体检测模型为 基于小样本训练集对预设目标检测模型进行训练得到的； 循环训练模块， 用于以所述初始风险物体检测模型作为当前模型， 执行以下训练步骤： 通过所述当前模型对目标场景视频中抽取的图像帧进 行预测， 得到每个图像帧对应的个体 预测结果及所述目标场景视频对应的整体预测结果； 其中， 所述个体预测结果包括预测出 的风险物体位置信息和类别信息； 所述整体预测结果包括是否存在风险物体的信息； 基于 所述整体预测结果及每个所述图像 帧对应的个体预测结果， 获取重标注样本； 应用包含所 述重标注样本的训练集对所述当前模型进行训练； 以训练后的模型更新所述当前模型， 继 续执行所述训练步骤， 直至所述当前模型满足指定要求， 将所述当前模型作为目标风险物 体检测模型。 11.一种风险物体 检测装置， 其特 征在于， 所述装置包括： 视频获取模块， 用于获取待检测视频； 图像帧抽取模块， 用于从所述待检测视频中抽取多个待检测图像帧； 图像帧输入模块， 用于将多个所述待检测图像帧输入至目标风险物体检测模型； 所述 目标风险物体 检测模型为 通过如权利要求1 ‑8任一项所述的方法训练得到的； 模型预测模块， 用于通过所述风险物体检测模型输出所述待检测视频对应的整体预测 结果； 所述整体预测结果包括： 存在风险物体或不存在风险物体。 12.一种电子设备， 其特征在于， 包括处理器和存储器， 所述存储器存储有能够被所述 处理器执行的计算机可执行指 令， 所述处理器执行所述计算机可执行指令以实现权利要求 1至9任一项所述的方法。 13.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机可 执行指令， 所述计算机可执行指令在被处理器调用和执行时， 计算机可执行指令促使处理 器实现权利要求1至9任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115294505 A 3