CN111652158A - 目标对象的检测方法和装置、存储介质及电子装置 - Google Patents

目标对象的检测方法和装置、存储介质及电子装置 Download PDF

Info

Publication number
CN111652158A
CN111652158A CN202010502139.1A CN202010502139A CN111652158A CN 111652158 A CN111652158 A CN 111652158A CN 202010502139 A CN202010502139 A CN 202010502139A CN 111652158 A CN111652158 A CN 111652158A
Authority
CN
China
Prior art keywords
target object
detection
color feature
determining
score values
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.)
Pending
Application number
CN202010502139.1A
Other languages
English (en)
Inventor
李璐一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010502139.1A priority Critical patent/CN111652158A/zh
Publication of CN111652158A publication Critical patent/CN111652158A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标对象的检测方法和装置、存储介质及电子装置。其中，该方法包括：获取包含了目标对象的图像；将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。

Description

目标对象的检测方法和装置、存储介质及电子装置
技术领域
本发明涉及计算机领域，具体而言，涉及一种目标对象的检测方法和装置、存储介质及电子装置。
背景技术
目前，在进行目标对象的检测时，需要通过目标对象的检测框来检测目标对象图像。例如，通过仅利用深度学习或机器学习算法的目标对象的检测算法直接生成目标对象的检测框，但是，目标检测算法存在缺乏分辨目标与背景的判别能力，通过这种方法生成的矩形检测框中一般都会存在部分背景信息，常常会将与目标特征相似的背景区域误判为目标对象。
因此，针对相关技术中，在进行目标对象的检测时，存在目标对象的检测准确率低的问题。
发明内容
本发明实施例提供了一种目标对象的检测方法和装置、存储介质及电子装置，以至少解决相关技术中在进行目标对象的检测时，存在目标对象的检测准确率低的技术问题。
根据本发明实施例的一个方面，提供了一种目标对象的检测方法，包括：获取包含了目标对象的图像；将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
根据本发明实施例的另一方面，还提供了一种目标对象的检测装置，包括：第一获取单元，用于获取包含了目标对象的图像；第一处理单元，用于将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；第一确定单元，用于确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；第二处理单元，用于根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述目标对象的检测方法。
根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的目标对象的检测方法。
在本发明实施例中，获取包含了目标对象的图像，然后将该图像输入到卷积神经网络中，能够得到包含目标对象的N个检测框，以及该N个检测框的N个第一评分值，进而确定目标对象在N个检测框中的每个检测框中的概率，得到N个检测框的N个颜色特征概率，根据该N个颜色特征概率确定N个第二评分值，最后通过N个第一评分值和N个第二评分值确定N个目标评分值，并通过N个目标评分值中评分最高的值对应的目标对象的检测框检测目标对象。达到了在检测目标对象时，通过N个第一评分值和N个第二评分值确定N个目标评分值，以及将N个目标评分值中评分值最高的值对应的检测框来检测目标对象，从而实现了通过最优化的检测框检测目标对象，提高检测目标对象的准确度的技术效果，进而解决了相关技术中在进行目标对象的检测时，存在目标对象的检测准确率低的技术问题。
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是根据本发明实施例的一种目标对象的检测方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的目标对象的检测方法的流程示意图；
图3是根据本发明实施例的一种可选的终端设备的各个模块的结构示意图；
图4是根据本发明实施例的一种可选的确定颜色特征概率的方法的流程示意图；
图5是根据本发明实施例的一种可选的确定目标评分值的方法的流程示意图；
图6是根据本发明实施例的一种可选的目标对象的检测装置的结构示意图；
图7是根据本发明实施例的一种可选的电子装置的结构示意图。
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。
根据本发明实施例的一个方面，提供了一种目标对象的检测方法。可选地，上述目标对象的检测方法可以但不限于应用于如图1所示的应用环境中。如图1所示，终端设备102获取包含了目标对象的图像，并将该图像通过网络发送给服务器104。服务器104接收到包含了目标对象的图像之后，将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。以上仅为一种示例，本申请实施例在此不作限定。
或者，在终端设备102获取包含了目标对象的图像之后，终端设备102将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。以上仅为一种示例，本实施例对此不做任何限定。
可选地，在本实施例中，上述目标对象可以理解为具有某种特定特征的目标，例如人脸、动物头部等等，在此不作唯一性限定。
可选地，在本实施例中，上述终端设备可以包括但不限于以下至少之一：手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile InternetDevices，移动互联网设备)、PAD、台式电脑等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。上述只是一种示例，本实施例对此不做任何限定。
可选地，在本实施例中，作为一种可选的实施方式，该方法可以由服务器执行，也可以由终端设备执行，或者由服务器和终端设备共同执行，本实施例中，以由终端设备(例如，上述终端设备102)执行为例进行说明。如图2所示，上述目标对象的检测方法的流程可以包括步骤：
步骤S202，获取包含了目标对象的图像；
步骤S204，将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；
步骤S206，确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；
步骤S208，根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
可选地，上述目标对象的检测方法可以但不限于人脸检测的场景中。
例如，在人脸检测时，在获取到包含了人脸的图像时，将该包含了人脸的该图像输入到卷积网络模型，其中，该卷积网络模型可以为深度学习卷积网络，可以但不限于目标检测算法(single shot multibox detector，简称SSD)、目标检测算法(you only lookonce，简称YOLO)等。通过该卷积网络模型能够输出包含人脸的N个检测框，以及该N个检测框的第一评分值。然后，确定人脸所包含的像素在每个上述N个检测框中所占的概率，该概率通过人脸的颜色特征所确定，然后根据该概率确定N个第二评分值，通过N个第一评分值和N个第二评分值确定N个目标评分值，最后通过N个目标评分值中评分最高的值对应的检测框来检测人脸。
通过本实施例，获取包含了目标对象的图像，然后将该图像输入到卷积神经网络中，能够得到包含目标对象的N个检测框，以及该N个检测框的N个第一评分值，进而确定目标对象在N个检测框中的每个检测框中的概率，得到N个检测框的N个颜色特征概率，根据该N个颜色特征概率确定N个第二评分值，最后通过N个第一评分值和N个第二评分值确定N个目标评分值，并通过N个目标评分值中评分最高的值对应的目标对象的检测框检测目标对象。达到了在检测目标对象时，通过N个第一评分值和N个第二评分值确定N个目标评分值，以及将N个目标评分值中评分值最高的值对应的检测框来检测目标对象，从而实现了通过最优化的检测框检测目标对象，提高检测目标对象的准确度的技术效果，进而解决了相关技术中在进行目标对象的检测时，存在目标对象的检测准确率低的技术问题。
下面结合图2对本实施例中上述目标对象的检测方法进行说明。
在步骤S202中，获取包含了目标对象的图像。
可选地，如图3所示，上述终端设备102可以包括可见光采集模块、图像预处理模块、人脸检测框提取模块、人脸颜色特征提取模块、特征融合模块和人脸判别模块。可理解，上述仅为一种示例，本实施例在此不作任何限定。
通过可见光采集模块能够采集包含了目标对象的图像，可理解，该图像为一种可见光图像。
可选地，在获取到包含了目标对象的图像之后，通过图像预处理模块对包含了目标对象的图像进行图像增强和归一化操作。
在步骤S204中，将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数。
可选地，将经过图像预处理的包含了目标对象的图像输入到卷积网络模型(如SSD网络模型、YOLO网络)中，通过人脸检测框提取模块可以得到包含目标对象的N个检测框，然后确定N个检测框对应的N个第一评分值(如记为Odeep)，其中，N为大于0的整数。
例如，上述检测框可以为一种人脸目标框，该人脸目标框可用于检测人脸。
在步骤S206中，确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值。
可选地，在本实施例中，图像包括目标对象对应的图像区域、背景区域，确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，包括：通过贝叶斯定理分离图像的图像区域和背景区域，得到图像区域的第一颜色特征和背景区域的第二颜色特征，其中，背景区域用于表示区域大小为图像区域预设倍数的区域，且图像区域在背景区域内；根据第一颜色特征和第二颜色特征确定目标对象在每个N个检测框中的概率，得到N个颜色特征概率。
可选地，上述输入图像包括目标对象所在的图像区域，上述图像还包括区域大小是图像区域的预设倍数(如1.5、2、2.5等)的背景区域，将目标对象对应的图像区域的颜色特征所包含的像素记为第一像素，背景区域对应的颜色特征所包含的像素记为第二像素，通过人脸颜色特征提取模块能够提取上述第一像素，然后通过该第一像素和第二像素可以确定上述目标对象在每个上述N个检测框中的概率，然后得到上述N个颜色特征概率，进而根据N个颜色特征概率确定N个第二评分值。
可选地，通过贝叶斯定理能够分离图像对应的图像区域和背景区域，然后根据图像区域的第一颜色特征和背景区域的第二颜色特征确定目标对象在每个检测框中的概率，从而得到N个颜色特征概率。
可选地，如图4所示，本申请实施例提供了一种确定颜色特征概率的方法，该方法包括如下步骤：
可选地，该确定颜色特征概率的方法可以基于贝叶斯定理来实现。
S1，对采集的不同人脸图像I，每一张人脸图像对应的人脸候选框(作用同上述检测框)记为O，然后量化该人脸候选框，得到目标区域颜色直方图(对应于人脸目标)，本实施例中量化等级可以设置为16(还可以为8、32、40等)。可理解，本实施在此不作唯一限定。
S2，人脸候选框内包含人脸部分对应的区域(即人脸目标)以及背景区域，将背景区域为人脸目标大小的1.5倍(如上述预设倍数)定义为O+S，量化背景区域颜色直方图，本实施例中可以设置量化等级为16(还可以为8、32、40等)。可理解，本实施在此不作唯一限定。
S3，根据贝叶斯公式计算人脸候选框区域内属于人脸目标区域的概率，具体公式如下所示：
Figure BDA0002525176710000081
Figure BDA0002525176710000091
Figure BDA0002525176710000092
则公式(1)可以被简化为：
Figure BDA0002525176710000093
其中，X为像素，
Figure BDA0002525176710000094
代表人脸候选框O在输入图像I上的非标准化直方图，bx代表输入图像I对应区域的颜色组成。由公式(4)即可计算得到人脸候选框O中每个像素属于人脸目标的颜色概率(作用同上述目标对象在每个N个检测框中的概率)，而其他非人脸候选框区域的颜色概率可以被弱化为0.5、0.4、0.3等等，在此不作限定。
S4，对得到的目标区域颜色直方图、背景区域颜色直方图，得到最终的颜色响应直方图。从而对待检测图像中的每个像素值得到颜色响应直方图。需要说明的是，基于贝叶斯定理的颜色直方图计算法公式(4)可以由查找表实现，能够节省许多时间开销。
通过本实施例，通过贝叶斯定理能够通过颜色特征分离目标对象对应的图像区域和背景区域，进而确定目标对象在每个检测框中的概率，提高了检测目标对象的精确度。
可选地，在本实施例中，在得到图像区域的第一颜色特征之后，还可以包括：根据得到的第一颜色特征增强目标对象对应的图像区域。
在得到目标对象对应的图像区域的第一颜色特征之后，还可以通过该第一颜色特征增强目标对象对应的图像区域。
通过本实施例，通过第一颜色特征增强目标对象对应的图像区域，使得更加容易检测到目标对象，提高了检测目标对象的准确度。
在步骤S208中，根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
通过上述特征融合模块将上述N个第一评分值和上述N个第二评分值进行加权融合，能够得到每个上述N个检测框的N个目标评分值。
然后确定该N个目标评分值中评分值最高的值对应的检测框，通过该评分值最高的检测框以及上述人脸判别模块检测目标对象。
可选地，本实施例中，根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，包括：获取N个第一评分值对应的N个第一权重，以及N个第二评分值对应的N个第二权重，其中，N个第一评分值和N个第一权重一一对应，N个第二评分值和N个第二权重一一对应；将N个第一评分值和N个第一权重的乘积确定为N个第一乘积，将N个第二评分值和N个第二权重的乘积确定为N个第二乘积；将N个第一乘积和N个第二乘积相加得到N个目标评分值。
可选地，确定N个第一评分值的N个第一权重，确定N个第二评分值的N个第二权重，通过上述特征融合模块将N个第一权重和N个第一评分值相乘，得到N个第一结果(对应于上述N个第一乘积)，将N个第二权重和N个第二评分值相乘，得到N个第二结果(对应于上述N个第二乘积)，并将N个第一结果和N个第二结果相加得到N个目标评分值。其中，该N个第一权重和N个第二权重的取值范围为[0，1]。
可选地，在本实施例中，根据第一颜色特征和第二颜色特征确定目标对象在每个N个检测框中的概率，得到N个颜色特征概率，包括：将第一颜色特征和第二颜色特征之和确定为第三颜色特征，将第一颜色特征和第三颜色特征的比值确定目标对象在每个N个检测框中的概率，得到N个颜色特征概率，其中，N个颜色特征概率中的一个颜色特征概率包括一组概率值，一组概率值中的一个概率值用于表示目标对象中的一个像素属于N个检测框中一个检测框的全部像素的概率值。
可选地，在本实施例中，在将第一颜色特征和第二颜色特征之和确定为第三颜色特征，将第一颜色特征和第三颜色特征的比值确定目标对象在每个N个检测框中的概率，得到N个颜色特征概率之后，上述方法还包括：对于N个颜色特征概率中的一个颜色特征概率，N个检测框中的一个检测框，其中，N个颜色特征概率与N个检测框一一对应：将一个检测框的全部像素的像素个数之和确定为n；将一组概率值的概率值之和确定为p；将p与n的比值确定为N个第二评分值中的一个评分值。
可选地，如图5所示，本实施例提供了一种确定目标评分值的方法，具体步骤如下所示：
S1，人脸颜色特征归一化。由于距离远近不同，人脸大小不同，每一个人脸检测框的面积不同，直接将人脸颜色特征得分(对应于上述第二评分值)与深度学习特征得分(第一评分值)相加不合理。本实施例中，对于一个人脸检测框O，遍历所有像素点xi，求所有像素点的颜色概率均值。
Figure BDA0002525176710000111
其中n(对应于上述n)为人脸检测框O包含的所有像素个数，Oave为人脸颜色概率得分，表示从颜色直方图特征的角度出发，人脸检测框O是人脸的概率。
S2，将颜色特征与深度学习特征融合。将深度学习预测的检测框O的人脸得分Odeep与颜色直方图特征得分Oave加权融合，得到最终的人脸检测框得分Ofinal。
Ofinal＝αOdeep+λOave (6)
其中，α为深度学习特征得分对应的权重(对应于上述第一权重)，λ为人脸颜色特征得分对应的权重(对应于上述第二权重)。
S3，遍历人脸候选区域集合{O}，计算所有人脸检测框的融合特征得分。将融合特征的人脸检测框送入人脸判别模块，根据融合的人脸候选框总得分筛选出最终的人脸检测框，并实施非极大值抑制算法过滤掉重合率超过预设阈值的重复的人脸检测框，如该预设阈值可以设置为0.8、0.6、0.7等等，在此不作唯一性限定。
S4，保存人脸检测结果。
通过本实施例，使用基于贝叶斯定理的颜色直方图计算人脸检测框中的人脸的颜色特征概率，并将颜色特征概率与深度学习人脸概率相融合，得到增强的人脸特征，能够更加准确地预测人脸检测框。其中，颜色直方图特征可以区分人脸颜色信息和背景颜色信息，有效减少将背景框误判为人脸框的情况，降低了误判率。
可选地，在本实施例中，在根据第一评分值和第二评分值确定每个N个检测框的目标评分值之后，还可以包括：过滤N个检测框中重合率超过预设阈值的M个检测框，M小于N，M为大于0的整数。
对于N个检测框来说，可能会包含重合的M个检测框，通过非极大值抑制算法能够过滤掉重合率超过预设阈值的重复的人脸检测框，如该预设阈值可以设置为0.6、0.8、0.7、0.9等等。
通过本实施例，通过极大值抑制算法过滤掉重合率超过预设阈值的重复的人脸检测框，提高了目标对象的检测效率。
下面结合可选示例对人脸检测方法的流程进行说明，该方法可以包括以下步骤：
步骤1，可见光采集模块获取可见光图像；
步骤2，使用图像预处理模块进行人脸图像的增强和归一化操作；
步骤3，人脸检测框提取模块，将预处理过后的图像输入到深度学习卷积网络，可以是但不限于目标检测算法SSD或YOLO，预测得到人脸目标框O，以及各个目标框O的预测得分Odeep。
步骤4，人脸颜色特征提取模块。通过计算基于贝叶斯定理的颜色直方图，得到能够分离目标与背景的概率图，作为人脸颜色特征图，其具体流程如图4所示，
S1，计算目标框区域颜色量化直方图；
S2，计算目标框背景区域颜色量化直方图；
S3，根据贝叶斯公式计算整个搜索区域(可理解为整幅人脸图像对应的区域)内属于目标区域的概率，即计算候选人脸检测框O的每个像素点x是人脸区域的概率P(x∈O|O，S，b_x)；
S4，计算所有人脸候选框的颜色直方图概率，从而得到响应直方图；
S5，对于待检测图像，使用上一步中计算好的响应直方图获取响应图。
步骤5，特征融合模块。利用颜色特征增强人脸特征，将上述颜色概率图与深度学习算法人脸检测框的得分进行加权融合，得到融合了颜色特征概率和深度学习预测得分的人脸候选框总得分。
S1，人脸颜色特征归一化；
S2，颜色直方图特征与深度学习特征融合；
S3，遍历人脸候选区域集合{O}，计算所有人脸检测框的融合特征得分；
S4，保存增强的人脸检测概率结果。
步骤6，人脸判别模块，根据融合的人脸候选框总得分筛选出最终的人脸检测框，并实施非极大值抑制算法过滤掉重合率超过0.7的重复的人脸检测框，保存人脸检测结果。
通过本实施例，将颜色直方图概率与深度学习人脸检测算法相融合，达到了利用颜色特征增强人脸特征的目的，并能够有效减少将背景区域误判为人脸的概率，提高了人脸检测算法的鲁棒性。
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。
根据本发明实施例的又一方面，还提供了一种目标对象的检测装置，如图6所示，该装置包括：
(1)第一获取单元602，用于获取包含了目标对象的图像；
(2)第一处理单元604，用于将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；
(3)第一确定单元606，用于确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；
(4)第二处理单元608，用于根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
可选地，第一获取单元602可以用于执行步骤S202，第一处理单元604可以用于执行步骤S204，第一确定单元606可以用于执行步骤S206，第二处理单元608可以用于执行步骤S208。
通过本实施例，获取包含了目标对象的图像，然后将该图像输入到卷积神经网络中，能够得到包含目标对象的N个检测框，以及该N个检测框的N个第一评分值，进而确定目标对象在N个检测框中的每个检测框中的概率，得到N个检测框的N个颜色特征概率，根据该N个颜色特征概率确定N个第二评分值，最后通过N个第一评分值和N个第二评分值确定N个目标评分值，并通过N个目标评分值中评分最高的值对应的目标对象的检测框检测目标对象。达到了在检测目标对象时，通过N个第一评分值和N个第二评分值确定N个目标评分值，以及将N个目标评分值中评分值最高的值对应的检测框来检测目标对象，从而实现了通过最优化的检测框检测目标对象，提高检测目标对象的准确度的技术效果，进而解决了相关技术中在进行目标对象的检测时，存在目标对象的检测准确率低的技术问题。
作为一种可选的技术方案，上述第一确定单元，包括：
(1)第一处理模块，用于通过贝叶斯定理分离图像的图像区域和背景区域，得到图像区域的第一颜色特征和背景区域的第二颜色特征，其中，背景区域用于表示区域大小为图像区域预设倍数的区域，且图像区域在背景区域内；
(2)第一确定模块，用于根据第一颜色特征和第二颜色特征确定目标对象在每个N个检测框中的概率，得到N个颜色特征概率。
通过本实施例，通过贝叶斯定理能够通过颜色特征分离目标对象对应的图像区域和背景区域，进而确定目标对象在每个检测框中的概率，提高了检测目标对象的精确度。
作为一种可选的技术方案，上述第一确定模块，还用于将第一颜色特征和第二颜色特征之和确定为第三颜色特征，将第一颜色特征和第三颜色特征的比值确定目标对象在每个N个检测框中的概率，得到N个颜色特征概率，其中，N个颜色特征概率中的一个颜色特征概率包括一组概率值，一组概率值中的一个概率值用于表示目标对象中的一个像素属于N个检测框中一个检测框的全部像素的概率值。
作为一种可选的技术方案，上述装置还包括：
(1)第二确定单元，用于对于N个颜色特征概率中的一个颜色特征概率，N个检测框中的一个检测框，其中，N个颜色特征概率与N个检测框一一对应：将一个检测框的全部像素的像素个数之和确定为n；
(2)第三确定单元，用于将一组概率值的概率值之和确定为p；将p与n的比值确定为N个第二评分值中的一个评分值。
作为一种可选的技术方案，上述装置还包括：
(1)第三处理单元，用于根据得到的第一颜色特征增强目标对象对应的图像区域。
通过本实施例，通过第一颜色特征增强目标对象对应的图像区域，使得更加容易检测到目标对象，提高了检测目标对象的准确度。
作为一种可选的技术方案，上述第二处理单元，包括：
(1)获取模块，用于获取N个第一评分值对应的N个第一权重，以及N个第二评分值对应的N个第二权重，其中，N个第一评分值和N个第一权重一一对应，N个第二评分值和N个第二权重一一对应；
(2)第二确定模块，用于将N个第一评分值和N个第一权重的乘积确定为N个第一乘积，将N个第二评分值和N个第二权重的乘积确定为N个第二乘积；
(3)第二处理模块，用于将N个第一乘积和N个第二乘积相加得到N个目标评分值。
通过本实施例，使用基于贝叶斯定理的颜色直方图计算人脸检测框中的人脸的颜色特征概率，并将颜色特征概率与深度学习人脸概率相融合，得到增强的人脸特征，能够更加准确地预测人脸检测框。其中，颜色直方图特征可以区分人脸颜色信息和背景颜色信息，有效减少将背景框误判为人脸框的情况，降低了误判率。
作为一种可选的技术方案，上述装置还包括：
(1)过滤单元，用于过滤N个检测框中重合率超过预设阈值的M个检测框，其中，M为大于1的整数。
通过本实施例，通过极大值抑制算法过滤掉重合率超过预设阈值的重复的人脸检测框，提高了目标对象的检测效率。
根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取包含了目标对象的图像；
S2，将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；
S3，确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；
S4，根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM(Read-Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取器)、磁盘或光盘等。
根据本发明实施例的又一个方面，还提供了一种用于实施上述目标对象的检测方法的电子装置，如图7所示，该电子装置包括存储器702和处理器704，该存储器702中存储有计算机程序，该处理器704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取包含了目标对象的图像；
S2，将获取到的图像输入到卷积网络模型，得到图像对应的N个检测框和N个检测框的N个第一评分值；其中，N个检测框包括：包含了目标对象的检测框；其中，N为大于0的整数；
S3，确定目标对象在每个N个检测框中的概率，得到N个检测框的N个颜色特征概率，根据N个颜色特征概率确定N个第二评分值；
S4，根据N个第一评分值和N个第二评分值确定N个检测框的N个目标评分值，根据目标对象的检测框对目标对象进行检测，其中，目标对象的检测框为N个目标评分值中评分最高的值对应的检测框。
可选地，本领域普通技术人员可以理解，图7所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图7中所示更多或者更少的组件(如网络接口等)，或者具有与图7所示不同的配置。
其中，存储器702可用于存储软件程序以及模块，如本发明实施例中的目标对象的检测方法和装置对应的程序指令/模块，处理器704通过运行存储在存储器702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，即实现上述的目标对象的检测方法。存储器702可包括高速随机存储器，还可以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702可进一步包括相对于处理器704远程设置的存储器，这些远程存储器可以通过网络连接至终端。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。其中，存储器702具体可以但不限于用于存储物品的样本特征与目标虚拟资源账号等信息。作为一种示例，如图7所示，上述存储器702中可以但不限于包括上述目标对象的检测装置中的第一获取单元602、第一处理单元604、第一确定单元606、第二处理单元608。此外，还可以包括但不限于上述目标对象的检测装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置706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有线网络及无线网络。在一个实例中，传输装置706包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置706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。
此外，上述电子装置还包括：显示器708，用于显示上述待处理的订单信息；和连接总线710，用于连接上述电子装置中的各个模块部件。
在其他实施例中，上述终端或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(P2P，Peer To Peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
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。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。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存储介质中，包括若干指令用以使得一台或多台计算机设备(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方法的全部或部分步骤。
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，所揭露的客户端，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。
以上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 (10)

1.一种目标对象的检测方法，其特征在于，包括：
获取包含了目标对象的图像；
将获取到的所述图像输入到卷积网络模型，得到所述图像对应的N个检测框和所述N个检测框的N个第一评分值；其中，所述N个检测框包括：包含了所述目标对象的检测框；其中，所述N为大于0的整数；
确定所述目标对象在每个所述N个检测框中的概率，得到所述N个检测框的N个颜色特征概率，根据所述N个颜色特征概率确定N个第二评分值；
根据所述N个第一评分值和所述N个第二评分值确定所述N个检测框的N个目标评分值，根据目标对象的检测框对所述目标对象进行检测，其中，所述目标对象的检测框为所述N个目标评分值中评分最高的值对应的检测框。
2.根据权利要求1所述的方法，其特征在于，所述图像包括所述目标对象对应的图像区域、背景区域，所述确定所述目标对象在每个所述N个检测框中的概率，得到所述N个检测框的N个颜色特征概率，包括：
通过贝叶斯定理分离所述图像的所述图像区域和所述背景区域，得到所述图像区域的第一颜色特征和所述背景区域的第二颜色特征，其中，所述背景区域用于表示区域大小为所述图像区域预设倍数的区域，且所述图像区域在所述背景区域内；
根据所述第一颜色特征和所述第二颜色特征确定所述目标对象在每个所述N个检测框中的概率，得到所述N个颜色特征概率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一颜色特征和所述第二颜色特征确定所述目标对象在每个所述N个检测框中的概率，得到所述N个颜色特征概率，包括：
将所述第一颜色特征和所述第二颜色特征之和确定为第三颜色特征，将所述第一颜色特征和所述第三颜色特征的比值确定所述目标对象在每个所述N个检测框中的概率，得到所述N个颜色特征概率，其中，所述N个颜色特征概率中的一个颜色特征概率包括一组概率值，所述一组概率值中的一个概率值用于表示所述目标对象中的一个像素属于所述N个检测框中一个检测框的全部像素的概率值。
4.根据权利要求3所述的方法，其特征在于，在所述将所述第一颜色特征和所述第二颜色特征之和确定为第三颜色特征，将所述第一颜色特征和所述第三颜色特征的比值确定所述目标对象在每个所述N个检测框中的概率，得到所述N个颜色特征概率之后，所述方法还包括：
对于所述N个颜色特征概率中的一个颜色特征概率，所述N个检测框中的一个检测框，其中，所述N个颜色特征概率与所述N个检测框一一对应：
将所述一个检测框的全部像素的像素个数之和确定为n；
将所述一组概率值的概率值之和确定为p；
将所述p与所述n的比值确定为所述N个第二评分值中的一个评分值。
5.根据权利要求2所述的方法，其特征在于，在所述得到所述图像区域的第一颜色特征之后，所述方法还包括：
根据得到的所述第一颜色特征增强所述目标对象对应的所述图像区域。
6.根据权利要求1所述的方法，其特征在于，所述根据所述N个第一评分值和所述N个第二评分值确定所述N个检测框的N个目标评分值，包括：
获取所述N个第一评分值对应的N个第一权重，以及所述N个第二评分值对应的N个第二权重，其中，所述N个第一评分值和所述N个第一权重一一对应，所述N个第二评分值和所述N个第二权重一一对应；
将所述N个第一评分值和所述N个第一权重的乘积确定为N个第一乘积，将所述N个第二评分值和所述N个第二权重的乘积确定为N个第二乘积；
将所述N个第一乘积和所述N个第二乘积相加得到所述N个目标评分值。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述N个第一评分值和所述N个第二评分值确定所述N个检测框的N个目标评分值之后，所述方法还包括：
过滤所述N个检测框中重合率超过预设阈值的M个检测框，其中，所述M小于所述N，所述M为大于0的整数。
8.一种目标对象的检测装置，其特征在于，
第一获取单元，用于获取包含了目标对象的图像；
第一处理单元，用于将获取到的所述图像输入到卷积网络模型，得到所述图像对应的N个检测框和所述N个检测框的N个第一评分值；其中，所述N个检测框包括：包含了所述目标对象的检测框；其中，所述N为大于0的整数；
第一确定单元，用于确定所述目标对象在每个所述N个检测框中的概率，得到所述N个检测框的N个颜色特征概率，根据所述N个颜色特征概率确定N个第二评分值；
第二处理单元，用于根据所述N个第一评分值和所述N个第二评分值确定所述N个检测框的N个目标评分值，根据目标对象的检测框对所述目标对象进行检测，其中，所述目标对象的检测框为所述N个目标评分值中评分最高的值对应的检测框。
9.一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
CN202010502139.1A 2020-06-04 2020-06-04 目标对象的检测方法和装置、存储介质及电子装置 Pending CN111652158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010502139.1A CN111652158A (zh) 2020-06-04 2020-06-04 目标对象的检测方法和装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010502139.1A CN111652158A (zh) 2020-06-04 2020-06-04 目标对象的检测方法和装置、存储介质及电子装置

Publications (1)

Publication Number Publication Date
CN111652158A true CN111652158A (zh) 2020-09-11

Family

ID=72343474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010502139.1A Pending CN111652158A (zh) 2020-06-04 2020-06-04 目标对象的检测方法和装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN111652158A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763109A (zh) * 2021-02-03 2021-12-07 北京沃东天骏信息技术有限公司 物品推荐方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819733A (zh) * 2012-08-09 2012-12-12 中国科学院自动化研究所 一种快速的街景图像中人脸的检测模糊方法
US20130077866A1 (en) * 2010-06-15 2013-03-28 Apple Inc. Object detection metadata
CN105869159A (zh) * 2016-03-28 2016-08-17 联想(北京)有限公司 一种图像分割方法及装置
CN108363998A (zh) * 2018-03-21 2018-08-03 北京迈格威科技有限公司 一种对象的检测方法、装置、系统和电子设备
CN109815843A (zh) * 2018-12-29 2019-05-28 深圳云天励飞技术有限公司 目标检测方法及相关产品
CN109886072A (zh) * 2018-12-25 2019-06-14 中国科学院自动化研究所 基于双向Ladder结构的人脸属性分类系统
US20190266429A1 (en) * 2018-02-23 2019-08-29 Qualcomm Incorporated Constrained random decision forest for object detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130077866A1 (en) * 2010-06-15 2013-03-28 Apple Inc. Object detection metadata
CN102819733A (zh) * 2012-08-09 2012-12-12 中国科学院自动化研究所 一种快速的街景图像中人脸的检测模糊方法
CN105869159A (zh) * 2016-03-28 2016-08-17 联想(北京)有限公司 一种图像分割方法及装置
US20190266429A1 (en) * 2018-02-23 2019-08-29 Qualcomm Incorporated Constrained random decision forest for object detection
CN108363998A (zh) * 2018-03-21 2018-08-03 北京迈格威科技有限公司 一种对象的检测方法、装置、系统和电子设备
CN109886072A (zh) * 2018-12-25 2019-06-14 中国科学院自动化研究所 基于双向Ladder结构的人脸属性分类系统
CN109815843A (zh) * 2018-12-29 2019-05-28 深圳云天励飞技术有限公司 目标检测方法及相关产品

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CONGCONG L.等: "Abnormal Human Activity Recognition using Bayes Classifier and Convolutional Neural Network", 《2018 IEEE 3RD INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING (ICSIP)》 *
HORST P.等: "In defense of color-based model-free tracking", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
徐威 等: "利用层次先验估计的显著性目标检测", 《自动化学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763109A (zh) * 2021-02-03 2021-12-07 北京沃东天骏信息技术有限公司 物品推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108256404B (zh) 行人检测方法和装置
CN110807385A (zh) 目标检测方法、装置、电子设备及存储介质
CN108009466B (zh) 行人检测方法和装置
CN111444826B (zh) 视频检测方法、装置、存储介质及计算机设备
CN111275040B (zh) 定位方法及装置、电子设备、计算机可读存储介质
CN111860430A (zh) 打架行为的识别方法和装置、存储介质及电子装置
CN110647896B (zh) 一种基于logo图像的钓鱼页面识别方法及相关设备
CN110807110B (zh) 结合局部和全局特征的图片搜索方法、装置及电子设备
CN109671055B (zh) 肺结节检测方法及装置
CN113128481A (zh) 一种人脸活体检测方法、装置、设备及存储介质
CN115861400A (zh) 目标对象检测方法、训练方法、装置以及电子设备
CN111652158A (zh) 目标对象的检测方法和装置、存储介质及电子装置
CN113627298A (zh) 目标检测模型的训练方法及检测目标对象的方法、装置
CN111488887B (zh) 基于人工智能的图像处理方法、装置
CN107111757B (zh) 车道线检测方法及装置
CN112132231A (zh) 对象的识别方法和装置、存储介质及电子设备
CN108256578B (zh) 一种灰度图像的识别方法、装置、设备及可读存储介质
CN115984977A (zh) 活体检测方法和系统
CN113255766B (zh) 一种图像分类方法、装置、设备和存储介质
CN111382628B (zh) 同行判定方法及装置
CN113627542A (zh) 一种事件信息处理方法、服务器及存储介质
CN115481424A (zh) 检测模型的跨域自适应方法、数据处理方法
CN113762249A (zh) 图像攻击检测、图像攻击检测模型训练方法和装置
CN109583453B (zh) 图像的识别方法和装置、数据的识别方法、终端
CN111488476A (zh) 图像推送方法、模型训练方法及对应装置

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