[发明专利]基于人工智能的图像处理模型训练方法及图像处理方法

权利要求书

1.一种基于人工智能的图像处理模型训练方法，其特征在于，所述方法包括：

对多个训练视频分别对应的分镜片段进行聚类处理，得到多个聚类簇；其中，所述分镜片段包括多个相似的训练图像；

对所述聚类簇中的多个分镜片段进行去重处理，以更新所述聚类簇；

对更新后的所述多个聚类簇中属于同一分镜片段的多个相似的训练图像、以及分别属于不同分镜片段的多个不相似的训练图像进行采样处理，得到训练图像组；

根据所述训练图像组中的多个训练图像、以及所述多个训练图像之间的相似关系，对图像处理模型进行训练；其中，训练后的所述图像处理模型用于对图像进行特征提取处理。

2.根据权利要求1所述的方法，其特征在于，所述对多个训练视频分别对应的分镜片段进行聚类处理，得到多个聚类簇，包括：

根据所述分镜片段的片段特征，确定不同所述分镜片段之间的距离；

根据所述距离对所述多个训练视频分别对应的分镜片段进行聚类中心选取处理，得到多个聚类中心；

针对区别于所述多个聚类中心的任意一个分镜片段，将所述任意一个分镜片段添加至相距的距离最小的聚类中心对应的聚类簇中；

所述对所述聚类簇中的多个分镜片段进行去重处理，以更新所述聚类簇，包括：

当所述聚类簇中的任意两个分镜片段之间的距离满足去重距离条件时，丢弃所述任意两个分镜片段的其中之一，得到更新后的所述聚类簇。

3.根据权利要求2所述的方法，其特征在于，所述根据所述分镜片段的片段特征，确定不同所述分镜片段之间的距离之前，所述方法还包括：

将所述分镜片段中的任意一个训练图像的标注图像特征，作为所述分镜片段的片段特征；

其中，所述任意一个训练图像的标注图像特征包括以下任意一种：针对所述任意一个训练图像设置的图像特征；通过图像分类模型对所述任意一个训练图像进行特征提取处理得到的图像特征；方向梯度直方图HOG特征；尺度不变特征变换SIFT特征。

4.根据权利要求1所述的方法，其特征在于，所述对多个训练视频分别对应的分镜片段进行聚类处理，包括：

对所述多个训练视频进行划分处理，得到多个训练视频集合；

对初始训练视频集合中的多个训练视频分别对应的分镜片段进行聚类处理；其中，所述初始训练视频集合是所述多个训练视频集合中的任意一个；

所述对更新后的所述多个聚类簇中属于同一分镜片段的多个相似的训练图像、以及分别属于不同分镜片段的多个不相似的训练图像进行采样处理之前，所述方法还包括：

根据区别于所述初始训练视频集合的训练视频集合，对更新后的所述多个聚类簇进行合并更新处理。

5.根据权利要求4所述的方法，其特征在于，所述根据区别于所述初始训练视频集合的训练视频集合，对更新后的所述多个聚类簇进行合并更新处理，包括：

对更新后的所述聚类簇中多个分镜片段分别对应的片段特征进行融合处理，得到融合片段特征；

针对区别于所述初始训练视频集合的训练视频集合中的任意一个分镜片段，执行以下处理：

根据所述融合片段特征以及所述任意一个分镜片段的片段特征，确定所述任意一个分镜片段与更新后的所述多个聚类簇之间的距离，并将距离最小的更新后的所述聚类簇作为目标聚类簇；

当所述任意一个分镜片段与所述目标聚类簇中的多个分镜片段之间的距离均满足合并距离条件时，将所述任意一个分镜片段添加至所述目标聚类簇中，以更新所述目标聚类簇。

6.根据权利要求1所述的方法，其特征在于，所述根据所述训练图像组中的多个训练图像、以及所述多个训练图像之间的相似关系，对图像处理模型进行训练，包括：

通过所述图像处理模型对所述训练图像组中的训练图像进行特征提取处理，得到待对比的图像特征；

根据所述训练图像组中的多个训练图像分别对应的待对比的图像特征、以及所述多个训练图像之间的相似关系进行损失计算处理，得到所述训练图像组的损失值；

根据所述训练图像组的损失值训练所述图像处理模型。