CN111126117A - 信息处理方法和装置 - Google Patents

Abstract

本发明公开了一种信息处理方法和装置。其中，该方法包括：获取目标图像；从目标图像中识别目标对象的数量；获取目标对象的表层遮挡概率；依据目标对象的数量和表层遮挡概率，得到目标统计数量。本发明解决了由于对产量估计往往通过人工的方式，带来的统计精度低的技术问题。

Description

信息处理方法和装置

技术领域

本发明涉及互联网技术领域，具体而言，涉及一种信息处理方法和装置。

背景技术

在现代农业中通过获取茶叶种植的知识和需求，发现产量预估是一个常见问题。

由于传统的预估方法是在采摘季节到来之前，人工抽样统计茶树的单位面积嫩芽数量，这种做法费时费力。

相关技术中，方案一，前期需要人工采集上千张茶树的水平照片图像，并人工统计这些茶树的实际嫩芽数量(包括被可能遮挡的嫩芽数量)，来作为图像学习算法的训练样本，工作量大；方案二，嫩芽可能被表层的叶片遮挡，这会影响自动化方案准确率。

针对上述由于对产量估计往往通过人工的方式，带来的统计精度低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种信息处理方法和装置，以至少解决由于对产量估计往往通过人工的方式，带来的统计精度低的技术问题。

根据本发明实施例的一个方面，提供了一种信息处理方法，包括：获取目标图像；从目标图像中识别目标对象的数量；获取目标对象的表层遮挡概率；依据目标对象的数量和表层遮挡概率，得到目标统计数量。

可选的，获取目标图像包括：通过预设方式采集单位面积内的图像；将图像确定为目标图像。

进一步地，可选的，预设方式包括：航拍、环境拍摄、和/或人工定点拍摄。

可选的，从目标图像中识别目标对象的数量包括：将目标图像拆分成若干小块；通过预设目标检测算法，识别若干小块中是否含有目标对象；根据识别结果统计识别出目标对象的小块的数量，预估得到目标图像中可识别的目标对象的数量。

可选的，从目标图像中识别目标对象的数量包括：将目标图像拆分成若干小块；对每个小块进行分类，识别每个小块是否含有目标对象；根据识别结果，预估得到目标图像中可识别的目标对象的数量。

可选的，获取目标对象的表层遮挡概率包括：根据目标对象所属的类别，得到目标对象的表层遮挡概率。

进一步地，可选的，根据目标对象的类别，得到目标对象的表层遮挡概率包括：获取目标对象所属的类别；依据类别和预设遮挡情况样本数据库中的遮挡样本，得到目标对象的表层遮挡概率。

进一步地，可选的，依据类别和预设遮挡情况样本数据库中的遮挡样本，得到目标对象的表层遮挡概率包括：在得到目标对象的所属的类别为至少两种的情况下，依据类别和预设遮挡情况样本数据库中的遮挡样本，分别得到目标对象的表层遮挡概率。

可选的，预设遮挡情况样本数据库包括：在采样对象所处的单位面积中，通过采集多个样本，清点目标对象的数量，以及被遮挡的目标对象的数量；其中，根据目标对象所属类别，分别进行采样。

可选的，依据目标对象的数量和表层遮挡概率，得到目标统计数量包括：根据表层遮挡概率，得到目标对象存在数量的概率；将目标对象的数量除以目标对象存在数量的概率，得到目标统计数量。

根据本发明实施例的另一方面，还提供了一种信息处理装置，包括：获取模块，用于获取目标图像；识别模块，用于从目标图像中识别目标对象的数量；第一计算模块，用于获取目标对象的表层遮挡概率；第二计算模块，用于依据目标对象的数量和表层遮挡概率，得到目标统计数量。

根据本发明实施例的又一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的信息处理方法。

在本发明实施例中，采用图像识别手段来盘点目标对象的方式，通过获取目标图像；从目标图像中识别目标对象的数量；获取目标对象的表层遮挡概率；依据目标对象的数量和表层遮挡概率，得到目标统计数量，达到了自动统计嫩芽数量的目的，从而实现了提升统计精度的技术效果，进而解决了由于对产量估计往往通过人工的方式，带来的统计精度低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种信息处理方法的计算机终端的硬件结构框图；

图2是根据本发明实施例一的信息处理方法的流程图；

图3是根据本发明实施例一的信息处理方法中统计茶树嫩芽的示意图；

图4是根据本发明实施例二的信息处理装置的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请涉及的技术名词:

基于深度学习的目标检测算法：从一张图片中，通过图像识别算法定位出具体的目标对象(如一个人)的算法集合，需要用到的具体算法框架可以包括：yolo系列框架，ssd系列框架或faster-rcnn系列框架等。

基于深度学习的图像分类算法：从一张含有已知目标对象的图片中(如已知目标图像包含一件衣服)，对图片的风格进行分类和打标(如是一件衬衫还是一条裙子，花纹是什么风格的)，需要用到的具体算法框架包括：resnet残差系列，inception系列或mobilenet系列等。

茶树嫩芽：茶树在指定季节(如清明之前)，生长出来的茶叶嫩芽，这些嫩芽会在未来两周到一个月内发育成适合采摘的茶叶。

实施例1

根据本发明实施例，还提供了一种信息处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种信息处理方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的信息处理方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的信息处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

在上述运行环境下，本申请提供了如图2所示的信息处理方法。图2是根据本发明实施例一的信息处理方法的流程图。

步骤S202，获取目标图像；

本申请步骤S202中，本申请实施例提供的信息处理方法可以适用于现代农业中，特别是智慧型农业，即，通过现有科技手段，或研发中的科技手段，辅助农业发展，提升产量，质量；降低成本，减轻病虫害以及对环境的影响，在本申请实施例中以茶树种植业为例进行说明，本申请实施例提供的信息处理方法可以适用于茶树嫩芽数量的统计，特别是自动识别茶树嫩芽数量的统计，省去了人工成本，提升了统计精度和效率。

在步骤S202中，获取目标图像包括获取茶田中单位面积的茶树图像。

步骤S204，从目标图像中识别目标对象的数量；

本申请步骤S204中，基于步骤S202中获取的目标图像，即，获取的茶树图像，从该茶树图像中识别茶叶嫩芽的数量，这里目标对象可以包括茶叶嫩芽。

步骤S206，获取目标对象的表层遮挡概率；

本申请步骤S206中，基于步骤S204中识别的目标对象的数量，得到该目标对象为茶叶嫩芽所属的茶树品种，根据该茶叶嫩芽所属的茶树品种，计算茶叶嫩芽被表层树叶遮挡的表层遮挡概率。

步骤S208，依据目标对象的数量和表层遮挡概率，得到目标统计数量。

本申请步骤S208中，基于步骤S204得到的目标对象的数量和步骤S206得到的表层遮挡概率，得到估算出的茶叶嫩芽数量，茶叶嫩芽数量为本申请实施例中的目标统计数量，即，采摘季可以采摘的茶叶嫩芽总数。

综上，结合步骤S202至步骤S208，图3是根据本发明实施例一的信息处理方法中统计茶树嫩芽的示意图；如图3所示，本申请实施例提供的信息处理方法具体如下：

以应用于茶树种植为优选示例进行说明，在实现本申请实施例提供的数据统计方法的过程中，通过获取茶田中单位面积茶园的茶树图像，先对茶树图像中呈现的所有茶叶嫩芽进行统计计数，得到茶树图像中所有茶树的茶叶嫩芽计数，进而由于茶叶嫩芽的分布易被表层树叶遮挡，因此，根据茶树所属类型计算茶叶嫩芽的表层遮挡概率；在得到表层遮挡概率之后，结合之前对所有茶树的茶叶嫩芽的计数进行计算，可以得到一个茶叶嫩芽的统计数量。

在本发明实施例中，采用图像识别手段来盘点目标对象的方式，通过获取目标图像；从目标图像中识别目标对象的数量；根据目标对象所属的类别进行计算，得到目标对象的表层遮挡概率；依据目标对象的数量和表层遮挡概率，得到目标统计数量，达到了自动统计嫩芽数量的目的，从而实现了提升统计精度的技术效果，进而解决了由于对产量估计往往通过人工的方式，带来的统计精度低的技术问题。

可选的，步骤S202中获取目标图像包括：

步骤S2021，通过预设方式采集单位面积内的图像；

步骤S2022，将图像确定为目标图像。

其中，将图像存储至预设图像采集数据库中，并将图像确定为目标图像，其中，目标图像，用于显示目标对象。

进一步地，可选的，预设方式包括：航拍、环境拍摄、和/或人工定点拍摄。

具体的，结合步骤S2021和步骤S2022，在本申请实施例中以人工定点拍摄为优选示例进行说明：

通过人工定点拍摄，即，工人或技术人员在巡查茶田时，通过手机或数码相机拍摄每亩茶田的茶树图像，并将该茶树图像存储至图像采集数据库(即，本申请实施例中的预设图像采集数据库)中，并将该茶树图像确定为目标图像，用于显示每株茶树的茶叶嫩芽。

其中，本申请实施例中使用木框，在成片的茶树中框出一个“单位面积”，并用图像拍摄设备(如带有高清摄像头的手机)，拍摄至少上千张图片，以使得通过上千张照片合成清晰图像，或，以多幅图做参考生存每株茶树的图像；其中，因为茶树是连片生长的，很难从外部区分出单株茶树，也就无法以株为单位来进行产量测算的抽样，因此，就需要一个辅助道具来圈定一个单位面积，便于进行抽样测算，在本申请实施了中木框是一种用于圈出单位面积的道具，可以以正方形为例，以长宽各1米为规格的木质框架，除此之外，只要便于测算，还可以是长方形，框架材质可以根据生产成本确定，本申请实施例中仅以木质框架为例进行说明，同理，木框的规格形状仅以实现本申请实施例提供的信息处理方法为准，不做具体限定。

除此之外，还可以通过航空器进行航拍，例如，无人机，气象气球，等悬空设备进行高空巡航拍摄，以达到拍摄到单位面积茶园的茶树图像；

环境拍摄可以为设立于单位茶田周围固定位置的监控摄像头，以监控茶树生长为目标的对茶树进行拍摄；

在本申请实施例中仅以人工对每亩茶田中每株茶树的拍摄为例进行说明，除此之外还可以通过上述航拍以及环境拍摄的手段辅助人工拍摄，即，在人工拍摄完后，基于航拍和/或环境拍摄对人工拍摄进行数据参考。

例如，根据航拍和/或环境拍摄所拍摄到的人工拍摄行为，除记录茶叶嫩芽数量外，还可以记录人工拍摄时所处的茶园位置，以使得得到的数据有更详细的位置信息，方便后期数据整理和归档。

具体的，本申请实施例中从目标图像中识别目标对象的数量可以包括以下两种实现方式：

方式一：基于深度学习的目标检测算法

可选的，步骤S204中从目标图像中识别目标对象的数量包括：

步骤S2041，将目标图像拆分成若干小块；

步骤S2042，通过预设目标检测算法，识别若干小块中是否含有目标对象；

步骤S2043，根据识别结果统计识别出目标对象的小块的数量，预估得到目标图像中可识别的目标对象的数量。

具体的，结合步骤S2041至步骤S2043，本申请实施例中基于深度学习的目标检测算法，可以包括：yolo系列框架，ssd系列框架，faster-rcnn系列框架。即，先将一张图像拆分成若干小块(例如10X10)，然后使用目标检测算法，识别小块中是否含有嫩芽这个目标，再统计识别出嫩芽的小块的数量，从而预估出整张图片中可识别的嫩芽数量。

其中，本申请实施例中基于深度学习的目标检测算法都是用于“目标检测”的，即，识别某一个图像中“是否”包含标定的目标，在本申请实施例提供的信息处理方法中，用于计算嫩芽的数量。因此，基于目标检测算法的特性，将图片拆分成足够小的小块(嫩芽非常小，不会影响效果)，然后统计“存在”嫩芽的小块的数量，以此达到统计嫩芽数量的目的。

按照实际茶田种植的需要，修改参数，并添加一些图像归一化功能(例如将样本图片的亮度进行归一化，以消除不同图片拍摄时的不同光线强度产生的色差对算法效果的影响)，即可使用通用的机器学习流程：采集样本-训练-预测，来完成整个过程。

以faster-rcnn系列框架为例，

IOU参数：如判断为正样本(含有嫩芽)的概率的阈值，有些场景，要求严格，可能需要设到0至1之间的0.9之类的)；

这个框架，本质上是个神经网络框架，有以下三种最常用的网络模型可供选择：三种网络模型ZF(小)、VGG_CNN_M_1024(中)、VGG16(大)；

迭代次数：就是会对同一批样本图片反复进行训练，每次训练会将上次训练的结果，添加到下一次训练使用的标注数据集中。一般来说，迭代次数越多，越有可能在某一次训练迭代中获得这一批样本可以产生的最好效果。

需要说明的是，本申请实施例提供的信息处理方法仅以上述示例为例进行说明，以实现本申请实施例提供的信息处理方法为准，具体不做限定。

方式二，基于深度学习的图像分类算法

可选的，步骤S204中从目标图像中识别目标对象的数量包括：

步骤S2041’，将目标图像拆分成若干小块；

步骤S2042’，对每个小块进行分类，识别每个小块是否含有目标对象；

步骤S2043’，根据识别结果，预估得到目标图像中可识别的目标对象的数量。

具体的，结合步骤S2041’至步骤S2043’，本申请实施例中基于深度学习的图像分类算法，可以包括：resnet残差系列，inception系列，mobilenet系列。和方式一类似，先将图片拆分成小块，再对每个小块进行分类，识别每个小块是否含有“嫩芽”这个特征，从而预估出整张图片中嫩芽的数量。

可选的，步骤S206中获取目标对象的表层遮挡概率包括：

步骤S2061，根据目标对象所属的类别，得到目标对象的表层遮挡概率。

进一步地，可选的，步骤S2061中根据目标对象的类别，得到目标对象的表层遮挡概率包括：

步骤S20611，获取目标对象所属的类别；

其中，根据预设遮挡情况样本数据库，获取目标对象所属的类别；

步骤S20612，依据类别和预设遮挡情况样本数据库中的遮挡样本，得到目标对象的表层遮挡概率。

具体的，结合步骤S20611和步骤S20612，根据预设遮挡情况样本数据库，先获取茶树图像中茶叶所属的类别(例如，绿茶(龙井、雀舌、仙毫……)，红茶(小种红茶，大红袍……))，基于茶叶所属的类别和预设遮挡情况样本数据库中的遮挡样本，即，该类别茶叶可能被遮挡的嫩芽数量，通过统计计算，得到该类别中茶叶嫩芽的表层遮挡概率。

进一步地，可选的，步骤S2062中依据类别和预设遮挡情况样本数据库中的遮挡样本，得到目标对象的表层遮挡概率包括：

步骤S20621，在得到目标对象的所属的类别为至少两种的情况下，依据类别和预设遮挡情况样本数据库中的遮挡样本，分别得到目标对象的表层遮挡概率。

区别于步骤S2061和步骤S2062，在步骤S20621中，在茶树图像中若出现了至少两种茶树种类，则根据茶树种类和该种类在预设遮挡情况样本数据库中的遮挡样本，分别统计该至少两种茶叶嫩芽的表层遮挡概率。

可选的，预设遮挡情况样本数据库包括：在采样对象所处的单位面积中，通过采集多个样本，清点目标对象的数量，以及被遮挡的目标对象的数量；其中，根据目标对象所属类别，分别进行采样。

其中，本申请实施例中的预设遮挡情况样本数据库，通过使用木框，在成片的茶树中框出一个“单位面积”，并人工清点真实的嫩芽数量，与被遮挡的嫩芽数量，至少采集上千个样本；并且最好根据不同的茶树品种，分别采集样本。

可选的，表层遮挡概率可以等于样本中被遮挡的嫩芽数量除以样本中的嫩芽总量，那么，步骤S208中依据目标对象的数量和表层遮挡概率，得到目标统计数量包括：

步骤S2081，根据表层遮挡概率，得到目标对象存在数量的概率；

步骤S2082，将目标对象的数量除以目标对象存在数量的概率，得到目标统计数量。

具体的，当接收到客户的茶叶嫩芽盘点需求时，通过图像识别，估算出表层的嫩芽数量，再结合该品种的遮挡率，从而估算出比较准确的嫩芽数量，而该嫩芽数量，也就几乎等于下一采摘季可以采摘的叶片数量。

即，目标对象存在数量的概率假设为P1，表面遮挡概率假设为P2，可以得到：P1＝1-P2；

假设目标对象的数量为N，结合P1，假设目标统计数量为M，可以得到：M＝N/P1。

本申请实施例提供的信息处理方法通过遮挡数据统计模型的建立，其目的就是修正误差。无论是图像识别算法模型，还是遮挡数据统计模型，都可以通过不断扩大训练样本的数量，来减少误差。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的信息处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

实施例2

根据本发明实施例，还提供了一种用于实施上述信息处理方法的装置，如图4所示，图4是根据本发明实施例二的信息处理装置的结构图，该装置包括：

获取模块42，用于获取目标图像；识别模块44，用于从目标图像中识别目标对象的数量；第一计算模块46，用于获取目标对象的表层遮挡概率；第二计算模块48，用于依据目标对象的数量和表层遮挡概率，得到目标统计数量。

实施例3

根据本发明实施例的又一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的信息处理方法。

实施例4

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的信息处理方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像；从目标图像中识别目标对象的数量；获取目标对象的表层遮挡概率；依据目标对象的数量和表层遮挡概率，得到目标统计数量。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像包括：通过预设方式采集单位面积内的图像；将图像确定为目标图像。

进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：预设方式包括：航拍、环境拍摄、和/或人工定点拍摄。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：从目标图像中识别目标对象的数量包括：将目标图像拆分成若干小块；通过预设目标检测算法，识别若干小块中是否含有目标对象；根据识别结果统计识别出目标对象的小块的数量，预估得到目标图像中可识别的目标对象的数量。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：从目标图像中识别目标对象的数量包括：将目标图像拆分成若干小块；对每个小块进行分类，识别每个小块是否含有目标对象；根据识别结果，预估得到目标图像中可识别的目标对象的数量。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标对象的表层遮挡概率包括：根据目标对象的类别进行计算，得到目标对象的表层遮挡概率。

进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据目标对象的类别进行计算，得到目标对象的表层遮挡概率包括：获取目标对象所属的类别；依据类别和预设遮挡情况样本数据库中的遮挡样本，得到目标对象的表层遮挡概率。

进一步地，可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据类别和预设遮挡情况样本数据库中的遮挡样本，得到目标对象的表层遮挡概率包括：在得到目标对象的所属的类别为至少两种的情况下，依据类别和预设遮挡情况样本数据库中的遮挡样本，分别得到目标对象的表层遮挡概率。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：预设遮挡情况样本数据库包括：在采样对象所处的单位面积中，通过采集多个样本，清点目标对象的数量，以及被表面遮挡的目标对象的数量；其中，根据目标对象所属类别，分别进行采样。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：依据目标对象的数量和表层遮挡概率，得到目标统计数量包括：根据表层遮挡概率，得到目标对象存在数量的概率；将目标对象的数量除以目标对象存在数量的概率，得到目标统计数量。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种信息处理方法，包括：

获取目标图像；

从所述目标图像中识别目标对象的数量；

获取所述目标对象的表层遮挡概率；

依据所述目标对象的数量和所述表层遮挡概率，得到目标统计数量。

2.根据权利要求1所述的方法，其中，所述获取目标图像包括：

通过预设方式采集单位面积内的图像；

将所述图像确定为所述目标图像。

3.根据权利要求2所述的方法，其中，所述预设方式包括：航拍、环境监控拍摄、和/或人工定点拍摄。

4.根据权利要求1或2所述的方法，其中，所述从所述目标图像中识别目标对象的数量包括：

将所述目标图像拆分成若干小块；

通过预设目标检测算法，识别所述若干小块中是否含有目标对象；

根据识别结果统计识别出所述目标对象的小块的数量，预估得到所述目标图像中可识别的所述目标对象的数量。

5.根据权利要求1或2所述的方法，其中，所述从所述目标图像中识别目标对象的数量包括：

将所述目标图像拆分成若干小块；

对每个小块进行分类，识别每个小块是否含有所述目标对象；

根据识别结果，预估得到所述目标图像中可识别的所述目标对象的数量。

6.根据权利要求1所述的方法，其中，所述获取所述目标对象的表层遮挡概率包括：

根据所述目标对象所属的类别，得到所述目标对象的表层遮挡概率。

7.根据权利要求6所述的方法，其中，所述根据所述目标对象所述的类别，得到所述目标对象的表层遮挡概率包括：

获取所述目标对象所属的类别；

依据所述类别和预设遮挡情况样本数据库中的遮挡样本，得到所述目标对象的所述表层遮挡概率。

8.根据权利要求7所述的方法，其中，所述依据所述类别和预设遮挡情况样本数据库中的遮挡样本，得到所述目标对象的所述表层遮挡概率包括：

在得到所述目标对象的所属的类别为至少两种的情况下，依据所述类别和所述预设遮挡情况样本数据库中的遮挡样本，分别得到所述目标对象的所述表层遮挡概率。

9.根据权利要求7所述的方法，其中，所述预设遮挡情况样本数据库包括：在采样对象所处的单位面积中，通过采集多个样本，清点目标对象的数量，以及被遮挡的目标对象的数量；其中，根据所述目标对象所属类别，分别进行采样。

10.根据权利要求1所述的方法，其中，所述依据所述目标对象的数量和所述表层遮挡概率，得到目标统计数量包括：

根据所述表层遮挡概率，得到目标对象存在数量的概率；

将所述目标对象的数量除以所述目标对象存在数量的概率，得到所述目标统计数量。

11.一种信息处理装置，包括：

获取模块，用于获取目标图像；

识别模块，用于从所述目标图像中识别目标对象的数量；

第一计算模块，用于获取所述目标对象的表层遮挡概率；

第二计算模块，用于依据所述目标对象的数量和所述表层遮挡概率，得到目标统计数量。

12.一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行：权利要求1所述的信息处理方法。

Images