CN112966609B - 目标检测方法及装置 - Google Patents

目标检测方法及装置 Download PDF

Info

Publication number
CN112966609B
CN112966609B CN202110247406.XA CN202110247406A CN112966609B CN 112966609 B CN112966609 B CN 112966609B CN 202110247406 A CN202110247406 A CN 202110247406A CN 112966609 B CN112966609 B CN 112966609B
Authority
CN
China
Prior art keywords
map
probability
detected
picture
target
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.)
Active
Application number
CN202110247406.XA
Other languages
English (en)
Other versions
CN112966609A (zh
Inventor
周志超
李甫
何栋梁
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110247406.XA priority Critical patent/CN112966609B/zh
Publication of CN112966609A publication Critical patent/CN112966609A/zh
Application granted granted Critical
Publication of CN112966609B publication Critical patent/CN112966609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种目标检测方法及装置，涉及人工智能领域中的计算机视觉和深度学习技术。具体实现方案为：在待检测图片中识别得到候选地图区域。若候选地图区域中包括目标地图的概率大于或等于预设阈值，则在候选地图区域中确定至少一个特征区域。获取每个特征区域中包括各自对应的子地图的概率，目标地图包括子地图。根据候选地图区域中包括目标地图的概率和每个特征区域中包括各自对应的子地图的概率，确定待检测图片对应的检测结果，其中，检测结果用于指示待检测图片中是否包括目标地图。通过综合两部分概率确定最终的检测结果，从而可以有效避免地图漏检的出现，提升地图检测的准确性。

Description

目标检测方法及装置
技术领域
本申请涉及人工智能领域中的计算机视觉和深度学习技术，尤其涉及一种目标检测方法及装置。
背景技术
随着互联网技术的不断发展，图片在进入互联网之前均需要进行审核，以确定图片是否合规，比如说检测图片中的地图是否符合规范。
目前，现有技术中在对图片中的地图进行检测时，通常都是通过目标检测的方法对图片进行分类或者检测，以确定图片中是否包含特定地图，其中，目标检测是指在图片中检测特定的目标，因此目标检测只能实现对完整的特定地图的检测。
然而，当图片中包括的地图为不完整的部分地图时，就会导致漏检的出现，因此现有技术的实现方案中，地图检测的准确性不高。
发明内容
本申请提供了一种用于目标检测方法及装置。
根据本申请的第一方面，提供了一种目标检测方法，包括：
在待检测图片中识别得到候选地图区域；
若所述候选地图区域中包括目标地图的概率大于或等于预设阈值，则在所述候选地图区域中确定至少一个特征区域；
获取每个所述特征区域中包括各自对应的子地图的概率，所述目标地图包括所述子地图；
根据所述候选地图区域中包括目标地图的概率和每个所述特征区域中包括各自对应的子地图的概率，确定所述待检测图片对应的检测结果，其中，所述检测结果用于指示所述待检测图片中是否包括所述目标地图。
根据本申请的第二方面，提供了一种目标检测装置，包括：
识别模块，用于在待检测图片中识别得到候选地图区域；
第一确定模块，用于若所述候选地图区域中包括目标地图的概率大于或等于预设阈值，则在所述候选地图区域中确定至少一个特征区域；
获取模块，用于获取每个所述特征区域中包括各自对应的子地图的概率，所述目标地图包括所述子地图；
第二确定模块，用于根据所述候选地图区域中包括目标地图的概率和每个所述特征区域中包括各自对应的子地图的概率，确定所述待检测图片对应的检测结果，其中，所述检测结果用于指示所述待检测图片中是否包括所述目标地图。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本申请的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本申请的技术提升了地图检测的准确性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的图片中包括的地图较小的实现示意图；
图2为本申请实施例提供的图片中包括部分地图的实现示意图；
图3为本申请实施例提供的图像识别场景的实现示意图；
图4为本申请实施例提供的目标检测方法的流程图；
图5为本申请实施例提供的目标检测方法的流程图二；
图6为本申请实施例提供的待检测图片的实现示意图；
图7为本申请实施例提供的子地图的实现示意图；
图8为本申请实施例提供的确定特征区域的实现示意图；
图9为本申请实施例提供的候选地图区域和特征区域的实现示意图；
图10为本申请实施例提供的目标检测方法的流程示意图；
图11为本申请实施例提供的目标检测方法的设备处理流程示意图；
图12为本申请实施例的目标检测装置的结构示意图；
图13是用来实现本申请实施例的目标检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了更好的理解本申请的技术方案，首先对本申请所涉及的背景技术进行进一步的详细介绍：
随着互联网技术的不断发展，图片在进入互联网之前，均需要进行审核，以判定是否符合所在地区的法律法规。因此对进入互联网的图片进行审核是非常必要的，例如可以识别图片中是否包括特定地图。
目前，现有技术在识别图片中是否包括特定地图时，可以通过图像分类的方法对图片进行分类或者检测，以判断图片中是否包含特定地图，其中，图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。
然而，图像分类的处理方式鲁棒性较差，比如说在图片中包括的特定地图比较小，或者图片的背景比较复杂时，很容易出现漏检的情况。例如可以参照图1进行理解，图1为本申请实施例提供的图片中包括的地图较小的实现示意图。
如图1所示，假设图1中的10为一张图片，该图片的含义例如可以是一张衣服的照片，并且在该图片中，衣服上包括特定地图，即为图1中的101所示的部分，可以看出在图1中，特定地图在图片中占据的面积非常小，在这种情况下很难识别图片中是否包括特定地图。
因此图像分类的处理方式很容易造成漏检，从而导致图像识别的准确性不高。
以及，现有技术中还可以采用目标检测的方式识别图片中是否包含特定地图，其中，目标检测是指在图片中检测特定的目标，因此目标检测只能实现对完整的特定地图的检测，当图片中包括的地图为不完整的部分地图时，模型对该类图片可能会漏检或者检测框分类得分较低，就会导致漏检的出现
例如可以参照图2进行理解，图2为本申请实施例提供的图片中包括部分地图的实现示意图。
如图2所示，假设完整的地图为201所示的部分，图片为202所示的部分，从图2可以看出，在图片202中仅包括地图201的一部分，因为目标识别的处理方式中，只能实现对特定地图的检测，因此针对图2所示的图片202中包括地图201的一部分的情况，无法识别到当前图片中是包括地图的，从而会导致漏检的出现。
以及在目标识别的处理方式中，因为训练数据的规模有限，以及输入数据的模式与训练数据存在较大区别，还可能出现误检的情况，比如说在不包括特定地图的图片中错误的识别出特定地图，因此在目标识别的处理方式中，同样存在识别的准确性不高的问题。
综上所述，现有技术中在识别图片中是否包括特定地图时，均存在准确性不高的问题。
针对现有技术中的问题，本申请提出了如下技术构思：在图片中检测可能包括完整地图的候选地图区域，以及，在候选地图区域中，检测可能包括部分地图的特征区域，之后根据候选地图区域中包括完整地图的概率和特征区域中包括部分地图区域的概率，综合确定最终的检测结果，因此无论图片中包括的是完整的地图区域，还是部分地图区域，都可以实现检测，从而可以有效提升检测的准确性。
下面结合具体的实施例对本申请提供的目标检测方法进行介绍，本申请提供的目标检测方法可以应用于图像识别场景，此处结合图3对本申请的场景进行说明，图3为本申请实施例提供的图像识别场景的实现示意图。
如图3所示，在本申请的图像识别场景中，可以对待检测图片进行处理，得到检测结果，其中检测结果用于指示待检测图片中是否包括地图，这里的地图可以是完整的地图，还可以是部分地图。
其中，对待检测图片进行处理得到检测结果的处理过程可以包括如图3所示的三个部分，其中，可以首先对待检测图片进行特定地图检测，以在待检测图片中确定候选地图区域，之后在候选地图区域的基础上，进行特定区域的检测，得到至少一个特征区域，其中，特定区域可以是完整地图中的部分区域，最后可以融合特定地图检测的检测结果和特定地图区域的检测结果，得到最终的检测结果。
因此本申请的方案中，可以有效实现对完整地图的检测，还可以有效实现对部分地图区域的检测，以保证无论图片中所包括的地图是否完整，都可以实现对地图的检测，从而提升地图检测的准确性。
下面结合具体的实施例进行介绍，值得说明的是，本申请各实施例的执行主体例如可以为服务器、处理器、微处理器等具备数据处理功能的设备，本实施例对具体的执行主体不做限制，其可以根据实际需求进行选择，只要具备数据处理的功能即可。
图4为本申请实施例提供的目标检测方法的流程图，如图4所示，该方法包括;
S401、在待检测图片中识别得到候选地图区域。
其中，待检测图片为当前需要进行检测的图片，在待检测图片中可能包括完整的目标地图，也可能包括不完整的部分地图，也可能不包括地图，本实施例对此不做限制，当前正是要对待检测图片中是否包括地图进行检测，因此本实施例中的待检测图片可以为任一张图片。
具体的，本实施例中可以在待检测图片中进行识别，从而得到候选地图区域，其中，候选地图区域为当前识别到的可能包括目标地图的区域。
可以理解的是，候选地图区域是当前针对目标地图的识别结果，因此在候选地图区域中可能真的包括目标地图，比如说可以包括完整的目标地图，或者还可以包括目标地图的一部分，表示当前的识别是正确的，也有可能在候选地图区域中实际上是不包括目标地图的，表示当前的识别是错误的。
值得说明的是，本实施例中的目标地图可以为任一个地图，比如说可以是某个国家的地图，或者还可以为某个省份、某个区县的地图等，本实施例对目标地图的具体实现方式不做限制，在一种可能的实现方式中，当前需要对哪个地图进行识别，则目标地图就可以为这个需要识别的地图，其具体的实现方式可以根据实际需求进行选择。
S402、若候选地图区域中包括目标地图的概率大于或等于预设阈值，则在候选地图区域中确定至少一个特征区域。
在本实施例中，候选地图区域为识别到的可能包括目标地图的区域，则同时可以确定候选地图区域中包括目标地图的概率，其可以理解为当前识别的置信度，其中，候选地图区域中包括目标地图的概率越大，则表示当前候选地图区域的置信度越高，反之，候选地图区域中包括目标地图的概率越小，则表示当前候选地图区域的置信度越低。
可以理解的是，在待检测地图中可能包括完整的目标地图，则当前检测到的候选地图区域有可能是包括这个完整的目标地图的区域，在这种情况下，这个候选地图区域的置信度是比较高的；或者，在待检测地图中还可能包括目标地图的一部分，也就是说不完整的目标地图，则当前检测到的候选地图区域有可能是包括这个不完整的目标地图的区域，在这种情况下，这个候选地图区域的置信度可能取决于这个不完整的目标地图的不完整的程度；或者，在待检测地图区域中还有可能不包括目标地图，则当前检测得到的候选地图区域有可能是图片中类似地图形状的区域，但是在这种情况下，这个候选地图区域的置信度是比较低的。
也就是说，在本实施例中，无论在待检测图片中包括的是完整的目标地图，还是不完整的目标地图，还是不包括目标地图，本实施例中均可能检测到候选地图区域，只是候选地图区域包括目标地图的概率不同。
在一种可能的实现方式中，候选地图区域中包括目标地图的概率还可以理解为，针对检测到的候选地图区域的打分，同样表示当前检测到的候选地图区域的置信度。
在本实施例中，可以针对候选地图区域中包括目标地图的概率设置预设阈值，当候选地图区域中包括目标地图的概率小于预设阈值时，表示当前检测到的候选地图区域的置信度比较低，在这种情况下，可以认为识别错误，进而可以确定当前待检测图片中不包括地图。
当候选地图区域中包括目标地图的概率大于或等于预设阈值时，表示当前检测到的候选地图区域的置信度是比较高的，则可以初步认为当前待检测地图中是包括目标地图的。
之后基于待检测地图进行进一步的处理，在一种可能的实现方式中，可以在候选地图区域中确定至少一个特征区域，在本实施例中，特征区域为识别到的可能包括子地图的区域，其中，目标地图中包括子地图，也就是说子地图是目标地图的一部分，本实施例中可以设置有多个子地图，识别得到的至少一个特征区域分别对应各自的子地图。
以任一个特征区域为例进行介绍，可以理解的是，特征区域是当前针对子地图的识别结果，因此在特征区域中可能真的包括子地图，表示当前的识别是正确的，也有可能在特征区域中实际上是不包括子地图的，表示当前的识别是错误的。
此处的特征区域和上述介绍的候选地图区域是类似的，不同之处在于，候选地图区域是针对目标地图的，特征区域是对应子地图的。
本实施例对子地图的具体设置不做限定，其可以为目标地图的任一个部分，其中子地图设置的数量，以及各个子地图的范围、位置等均可以根据实际需求进行选择。
S403、获取每个特征区域中包括各自对应的子地图的概率，目标地图包括子地图。
与候选地图区域类似的是，因为特征区域为识别到的可能包括子地图的区域，因此可以确定特征区域中包括子地图的概率，本实施例中可以确定至少一个特征区域，其中每个特征区域分别对应各自的子地图，因此本实施例中可以获取每个特征区域中包括各自对应的子地图的概率。
其概率同样可以理解为当前识别的置信度，特征区域中包括子地图的概率越大，则表示当前特征区域的置信度越高，反之，特征区域中包括子地图的概率越小，则表示当前特征区域的置信度越低。
S404、根据候选地图区域中包括目标地图的概率和每个特征区域中包括各自对应的子地图的概率，确定待检测图片对应的检测结果，其中，检测结果用于指示待检测图片中是否包括目标地图。
在确定候选地图区域对应的概率以及每个特征区域各自对应的概率之后，可以结合两部分的概率，综合确定待检测图片的检测结果，从而确定在待检测图片中是否包括目标地图。
可以理解的是，待检测图片中包括目标地图可以有两种实现，一种是当前待检测图片中包括的是完整的目标地图，另一种是当前待检测图片中包括的是不完整的目标地图，也就是说目标地图的一部分。
比如说当前检测的目标地图是Z地图，那么在待检测图片中包括完整的Z地图时，自然可以确定在待检测图片中包括Z地图；或者，在待检测图片中包括Z地图的一部分时，仍然可以确定在待检测图片中包括Z地图，因为即使是一部分也是Z地图。
本实施例中通过结合候选地图区域中包括目标地图的概率，以及每个特征区域中包括各自的子地图的概率，确定检测结果，可以实现对完整的目标地图的检测，还可以实现对不完整的部分地图的检测，从而能够有效避免漏检的出现，以提升地图检测的准确性。
在一种可能的实现方式中，在确定检测结果时，例如可以根据候选地图区域中包括目标地图的概率和每个特征区域中包括各自对应的子地图的概率，根据其中概率的最大值确定为最终的待检测图片包括目标地图的概率，根据最终的概率和相应的门限值进行比较，从而确定检测结果。
或者，还可以根据候选地图区域中包括目标地图的概率和每个特征区域中包括各自对应的子地图的概率，经过一定的数学运算，从而得到最终的待检测图片包括目标地图的概率，根据最终的概率和相应的门限值进行比较，从而确定检测结果。
本实施例对确定检测结果的具体实现方式不做限制，其可以根据实际需求进行选择，只要保证检测结果是根据候选地图区域中包括目标地图的概率和每个特征区域中包括各自对应的子地图的概率综合确定的即可，这样就可以保证无论待检测图片中包括的地图是否为完整地图，都可以实现检测。
本申请实施例提供的目标检测方法，包括：在待检测图片中识别得到候选地图区域。若候选地图区域中包括目标地图的概率大于或等于预设阈值，则在候选地图区域中确定至少一个特征区域。获取每个特征区域中包括各自对应的子地图的概率，目标地图包括子地图。根据候选地图区域中包括目标地图的概率和每个特征区域中包括各自对应的子地图的概率，确定待检测图片对应的检测结果，其中，检测结果用于指示待检测图片中是否包括目标地图。通过在待检测图片中确定候选地图区域，以及在候选地图区域中确定至少一个特征区域，之后根据候选地图区域中包括目标地图的概率，以及每个特征区域中包括各自对应的子地图的概率，综合确定最终的检测结果，从而可以有效保证无论待检测图片中包括的地图是否为完整的地图，都可以实现检测，从而有效避免地图漏检的出现，提升地图检测的准确性。
在上述实施例的基础上，下面结合图5至图9对本申请提供的目标检测方法进行进一步的详细介绍，图5为本申请实施例提供的目标检测方法的流程图二，图6为本申请实施例提供的待检测图片的实现示意图，图7为本申请实施例提供的子地图的实现示意图，图8为本申请实施例提供的确定特征区域的实现示意图，图9为本申请实施例提供的候选地图区域和特征区域的实现示意图。
如图5所示，该方法包括：
S501、在待检测图片中确定至少一个检测地图区域。
在本实施例中，在确定候选地图区域时，目的是为了在待检测图片中检测目标地图的可能位置，因此在一种可能的实现方式中，本实施例中可以在待检测图片中确定至少一个检测地图区域，其中，检测地图区域就是目标地图的可能位置。
例如可以结合图6进行理解，如图6所示，假设当前在待检测图片60中存在多个目标，分别是1、2、3、4，以及假设当前在待检测图片中，针对目标1、目标2和目标3分别确定了3个检测地图区域，分别是区域601、区域602、区域603，其具体的含义是说，检测到检测地图区域601中的目标1可能是目标地图，以及检测到检测地图区域602中的目标2可能是目标地图，以及检测到检测地图区域603中的目标3可能是目标地图。
在实际实现过程中，例如可以采用目标检测模型，在待检测图片中确定至少一个检测地图区域，比如说采用YOLO（You Only Look Once）模型，或者区域卷积神经网络（Region-Convolutional Neural Networks，R-CNN）模型等，本实施例对具体的目标检测模型的实现不做限定，其可以根据实际需求进行选择。
S502、确定各检测地图区域中包括目标地图的概率。
本实施例中的检测地图区域为可能包括目标地图的区域，因此在确定至少一个检测地图区域的同时，还可以确定各个检测地图区域中包括目标地图的概率，其与上述介绍的包括目标地图的概率是类似的，包括目标地图的概率越大，就表明该检测地图区域的置信度越大，包括目标地图的概率越小，就表明该检测地图区域的置信度越小。
S503、将各检测地图区域中，包括目标地图的概率最大的检测地图区域确定为候选地图区域。
之后在确定的至少一个检测地图区域中，确定出候选地图区域，在本实施例中，例如可以将各个检测地图区域中，包括目标地图的概率最大的检测地图区域确定为候选地图区域，候选地区区域即为初步确定的可能包括目标地图的区域。
例如图6中确定了3个检测地图区域，分别是601、602、603，以及假设检测地图区域602中包括目标地图的概率最大，则可以将检测地图区域602确定为候选地图区域。
S504、判断候选地图区域中包括目标地图的概率是否大于或等于预设阈值，若是，则执行S505，若否，则执行S516。
在确定候选地图区域之后，可以将候选地图区域中包括目标地图的概率和预设概率进行比较，以初步的确定在待检测图片中是否包括目标地图。
在一种可能的实现方式中，若确定候选地图区域中包括目标地图的概率小于预设阈值，则可以确定在待检测图片中不包括目标地图，进而无需进行下一步的分析。
因此在本实施例中，通过将候选地图区域中包括目标地图的概率和预设阈值进行比较，可以实现对图片的初步过滤，例如可以用Sr表示候选地图区域中包括目标地图的概率，用Tr表示预设阈值，则在Sr小于Tr时，意味着待检测图片中基本不包含特定的目标地图，此时不需要继续进行后续的处理。因为在实际处理时，大部分图片均不包含特定的地图，所以此处进行初步过滤，可以有效减少需要处理的工作量，进而保证了实际处理的速度。
值得说明的是，本实施例中的预设阈值是针对完全不包括目标地图的图片进行过滤，因此预设阈值例如可以设置的比较小，比如说预设阈值可以设置为0.1，以避免对图片的误过滤。
S505、针对各子地图，分别在候选地图区域中确定子地图对应的至少一个检测特征区域。
在另一种可能的实现方式中，若确定候选地图区域中包括目标地图的概率大于等于预设阈值，则可以初步确定在待检测图片中包括目标地图，之后可以进行特征区域的检测，本实施例中的特征区域为识别到的可能包括子地图的区域，其中子地图可以为目标地图的一部分，下面结合图7首先对子地图的可能的实现方式进行介绍。
如图7所示，当前完整的目标地图为图7中的701所示，假设基于完整的目标地图701可以确定4个子地图，分别是子地图702、子地图703、子地图704和子地图705，从图7中可以看出，4个子地图都是目标地图的一部分。
在一种可能的实现方式中，因为地图的边缘区域特征较强，因此子地图例如可以包括目标地图的边缘区域，在实际实现过程中，子地图的数量、位置、大小等均可以根据实际需求进行选择，本实施例对此不做特别限制。
本实施例中针对各个子地图，可以在候选地图区域中分别确定各个子地图各自对应的特征区域，从而得到至少一个特征区域，下面以任一个子地图为例进行介绍，各个子地图对应的特征区域的实现方式是类似的。
值得说明的是，本实施例中在确定至少一个特征区域时，是以候选地图区域为基础，在候选地图区域中确定的，从而大大缩小了需要检测的范围，可以理解的是，如果以待检测图片为基础进行特征区域的检测的话，需要分析的范围会比较大，同时在待检测图片中的地图区域较小的时候，可能出现漏检的情况，因此本实施例中以候选地图区域为基础进行特征区域的检测，可以有效检测的效率和精度。
具体的，在确定特征区域时，目的是为了在候选地图区域中检测子地图的可能位置，因此在一种可能的实现方式中，本实施例中可以在候选地图区域中确定至少一个检测特征区域，其中，检测特征区域就是子地图的可能位置。
以图7中的子地图702为例，假设当前针对左上角的子地图702确定至少一个检测特征区域，可以结合图8进行理解，如图8所示，假设当前候选地图区域为801所示，其中阴影部分的子地图80对应上述图7中的子地图702，假设当前针对子地图80确定了三个检测特征区域，分别是检测特征区域802、检测特征区域803、检测特征区域804。
上述是以一个子地图为例进行的介绍，可以理解的是，本实施例中针对各个子地图，均可以确定各自对应的至少一个检测特征区域。
在实际实现过程中，例如可以采用目标检测模型，在候选地图区域中确定至少一个检测特征区域，比如说采用YOLO模型，或者R-CNN模型等，本实施例对具体的目标检测模型的实现不做限定，其可以根据实际需求进行选择。
S506、确定各检测特征区域中包括各自对应的子地图的概率。
本实施例中的检测特征区域为可能包括子地图的区域，因此在确定各个子地图对应的至少一个检测特征区域的同时，还可以确定各个检测特征区域中包括各自对应的子地图的概率，其与上述介绍的包括子地图的概率是类似的，包括子地图的概率越大，就表明该检测特征区域的置信度越大，包括子地图的概率越小，就表明该检测特征区域的置信度越小。
S507、将子地图对应的至少一个检测特征区域中，包括子地图的概率最大的检测特征区域确定为子地图对应的特征区域。
之后在确定的子地图对应的至少一个检测特征区域中，确定出子地图对应的特征区域，在本实施例中，例如可以将子地图对应的至少一个检测特征区域中，包括子地图的概率最大的检测特征区域确定为子地图对应的特征区域，候选地区区域即为可能包括子地图的区域。
例如图8中针对子地图80确定了3个检测特征区域，分别是802、803、804，以及假设检测特征区域803中包括子地图80的概率最大，则可以将检测特征区域803确定为子地图80对应的特征区域。
针对每一个子地图均进行上述操作，从而可以确定各个子地图各自对应的特征区域。
例如可以结合图9理解各个子地图各自对应的特征区域，假设当前确定的候选地图区域为R所示的区域，以及针对图7中所示的4个子地图702、703、704、705，确定的特征区域分别为图9中所示的特征区域A、特征区域B、特征区域C和特征区域D。
S508、获取每个特征区域中包括各自对应的子地图的概率，目标地图包括子地图。
本实施例中各个特征区域均对应各自的子地图，以及上述实现过程中确定了各个特征区域包括各自对应的子地图的概率，因此当前可以获取每个特征区域中包括各自对应的子地图的概率。
S509、确定在待检测图片中检测到的候选地图区域和特征区域的总数量。
在本实施例中，可以设置有至少一个子地图，因此可以对应确定至少一个特征区域，以及可以理解的是，在候选地图区域中针对各个子地图进行检测时，有可能检测到部分子地图对应的特征区域，也就是说可能不会检测到所有的子地图对应的特征区域。
例如可以结合图9进行理解，若4个子地图对应的特征区域全部被检测到时，例如可以为图9中所示的特征区域A、特征区域B、特征区域C、特征区域D，但是在实际实现过程中，可能只检测到特征区域A和特征区域B，或者说只检测到特征区域C，这都是有可能的，因为在待检测图片中所包括的地图的形状都是有可能出现的，本实施例中可以根据检测到的区域的数量确定最终的结果。
在一种可能的实现方式中，本实施例中可以确定候选地图区域和特征区域的总数量，比如说当前检测到候选地图区域R和特征区域A，则总数量为2，本实施例对此处的总数量不做限制，其取决于具体的实现。
S510、根据总数量和预设数量进行比较，得到比较结果。
本实施例中针对检测到的不同的区域总数量，可以设置有不同的处理方式，因此在一种可能的实现方式中，本实施例中可以设置有预设数量，通过将总数量和预设数量进行比较，得到比较结果，其中，比较结果可以为总数量小于预设数量，或者还可以为总数量大于等于预设数量。
之后根据比较结果可以确定具体的处理方式，其中，预设数量的作用是作为门限值指示后续的操作，其具体的设置可以根据实际需求进行选择。
S511、判断比较结果是否为总数量小于预设数量，若是，则执行S512，若否，则执行S513。
S512、在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，将各特征区域中包括各自对应的子地图的概率和候选地图区域中包括目标地图的概率中的最大值，确定为待检测图片包括目标地图的概率。
其中，第一位置关系为候选地图区域以及特征区域的位置关系，第二位置关系为目标地图和子地图之间的位置关系。
在一种可能的实现方式中，在比较结果为总数量小于预设数量时，表示当前检测的区域的总数量不多，此处针对目标地图的识别无法完全确定，因此可以将各特征区域中包括各自对应的子地图的概率和候选地图区域中包括目标地图的概率的最大值，确定为待检测图片包括目标地图的概率。
此处进行举例说明，继续沿用上述示例，假设当前所有的区域都检测到时，就是上述图9示例的5个区域，分别是候选地图区域R、特征区域A、特征区域B、特征区域C和特征区域D，基于此，假设当前设置的预设数量是3。
同时，假设当前仅检测到了候选地图区域R以及特征区域A，也就是说当前检测到区域的总数量是2，在此情况下，可以确定检测到的区域的总数量小于预设数量，则可以将候选地图区域R中包括目标地图的概率和特征区域A中包括其对应的子地图的概率中的最大值，确定为待检测图片包括目标地图的概率。
例如可以表示为：S=max(Sr,Sa)，其中，Sr为候选地图区域R中包括目标地图的概率，Sa为特征区域A中包括子地图的概率，S表示待检测图片中包括地图的概率。
同时，本实施例中检测到的区域应该满足一定的位置关系，具体的，需要保证，第一位置关系与第二位置关系的相似度大于或等于预设相似度，其中，第一位置关系为候选地图区域以及特征区域的位置关系，第二位置关系为目标地图和子地图之间的位置关系。
例如结合图7可以确定，目标地图701和子地图702之间的位置关系为，子地图702位于目标地图701的左上角，则当前检测到的候选地图区域R和特征区域A的位置关系应该也是，特征区域A位于候选地图区域R的左上角。
同时，因为检测的结果可能存在细微的偏差，因此本实施例中在第一位置关系与第二位置关系的相似度大于或等于预设相似度的时候，就可以确定位置关系是正确的，进而根据上述介绍的方式确定待检测图片中包括地图的概率。
S513、在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，确定待检测图片包括目标地图的概率为预设概率。
其中，第一位置关系为候选地图区域以及特征区域的位置关系，第二位置关系为目标地图和子地图之间的位置关系。
在另一种可能的实现方式中，在比较结果为总数量大于等于预设数量时，表示当前检测的区域的总数量是比较多的，此处针对目标地图的识别是可以确定的，因此可以将待检测图片包括目标地图的概率直接确定为预设概率，其中预设概率例如可以为预先设置的最大概率值，比如说是1；或者，预设概率还可为0.9、0.8等，本实施例对预设概率的具体实现方式不做限制，其可以根据实际需求进行选择。
此处进行举例说明，继续沿用上述示例，假设当前设置的预设数量是3，同时，假设当前仅检测到了候选地图区域R、特征区域A、特征区域B以及特惠总能区域C，也就是说当前检测到区域的总数量是4，在此情况下，可以确定检测到的区域的总数量大于预设数量，则可以将待检测图片包括目标地图的概率确定为预设概率，比如说可以设置为1。
例如可以表示为：S=1，其中，预设概率即为1。
同时，本实施例中检测到的区域应该满足一定的位置关系，具体的，需要保证，第一位置关系与第二位置关系的相似度大于或等于预设相似度，其实现方式与上述介绍的类似。
此次只进行一个简单的补充介绍，比如说结合图7可以确定，子地图702和子地图703之间的位置关系为，子地图702位于子地图703的左侧，则当前检测到的特征区域A和特征区域B的位置关系应该也是，特征区域A位于特征区域B的左侧。
基于上述介绍可以确定的是，本实施例中待检测图片包括目标地图的概率是根据两部分概率融合确定的，因此可以有效减少因为目标地图的部分区域确实所造成的漏检，以有效提升检测的准确性。
S514、判断待检测图片包括目标地图的概率是否大于等于概率阈值，若是，则执行S515，若否，则执行S516。
本实施例中在得到待检测图片包括目标地图的概率之后，可以和概率阈值进行比较，以确定最终的检测结果，其中，概率阈值的设置可以根据实际需求进行选择，本实施例对此不做限制。
S515、确定检测结果为待检测图片中包括地图。
在一种可能的实现方式中，若确定待检测图片包括目标地图的概率大于等于概率阈值，则可以确定当前的检测结果为待检测图片中包括地图。
S516、确定检测结果为待检测图片中不包括地图。
在另一种可能的实现方式中国，若确定待检测图片包括目标地图的概率小于概率阈值，则可以确定当前的检测结果为待检测图片中不包括目标地图。
综上所述，本申请提供的目标检测方法，通过将候选地图区域中包括目标地图的概率和预设阈值进行比较，可以实现对图片的初步过滤，以有效减少需要处理的工作量，提升处理速度。以及本实施例中在确定至少一个特征区域时，是以候选地图区域为基础，在候选地图区域中确定的，从而大大缩小了需要检测的范围，有效检测的效率和精度。以及，本实施例中待检测图片包括目标地图的概率，是根据各特征区域中包括各自对应的子地图的概率和候选地图区域中包括目标地图的概率两部分概率融合确定的，因此可以有效减少因为目标地图的部分区域确实所造成的漏检，以有效提升检测的准确性。
在上述实施例的基础上，下面结合图10对本申请提供的目标检测方法的实现流程进行一个系统的说明，图10为本申请实施例提供的目标检测方法的流程示意图。
如图10所示，当前需要针对待检测图片进行检测，以识别待检测图片中是否包括目标地图。首先，可以在待检测图片中确定候选地图区域，例如得到图10中的候选地图区域R，之后将候选地图区域R中包括目标地图的概率和预设阈值进行比较。
在一种可能的实现方式中，若确定候选地图区域R中包括目标地图的概率小于预设阈值，则可以确定当前在待检测图片中未检测到目标地图。
在另一种可能的实现方式中洪，若确定候选地图区域R中包括目标地图的概率大于等于预设阈值，则可以在候选地图区域R中确定至少一个特征区域，比如说可以确定特征区域A、B、C、D中的至少一个，同时，可以确定各个特征区域包括各自对应的子地图的概率。
之后，融合两部分的概率可以得到最终的检测结果，其具体的实现方式可以参照上述实施例的介绍。
以及本申请中，在对待检测图片进行处理之前，还可以根据请求接收待检测图片，以及在确定检测结果之后还可以进行后续的处理，下面结合图11进行介绍，图11为本申请实施例提供的目标检测方法的设备处理流程示意图。
如图11所示，目标检测设备可以接收到上传请求，其中上传请求中可以包括待检测图片，上传请求用于请求将待检测图片上传至互联网中，此时目标检测设备对待检测图片进行检测，以确定其中是否包括目标地图。
其中，目标检测设备可以经过一系列处理确定检测结果，确定的具体处理方式可以参照上述实施例的介绍，若检测结果为待检测图片中不包括目标地图，则可以直接发布待检测图片，并且可以向用户设备发送提示信息，以告知用户当前的待检测图片发布成功。
或者，若检测结果为待检测图片中包括目标地图，则可以根据目标地址向目标设备发送待检测图片，其中，目标设备为人工审核的设备，也就是说在确定待检测图片中包括目标地图时，可以针对该待检测图片进而二次的人工审核，以保证发布图片中的地图的规范性。
本申请提供一种目标检测方法及装置，应用于人工智能领域中的计算机视觉和深度学习技术，可用在图像识别场景下，以达到提升地图检测的准确性的效果。
图12为本申请实施例的目标检测装置的结构示意图。如图12所示，本实施例的目标检测装置120可以包括：识别模块1201、第一确定模块1202、获取模块1203、第二确定模块1204、处理模块1205。
识别模块1201，用于在待检测图片中识别得到候选地图区域；
第一确定模块1202，用于若所述候选地图区域中包括目标地图的概率大于或等于预设阈值，则在所述候选地图区域中确定至少一个特征区域；
获取模块1203，用于获取每个所述特征区域中包括各自对应的子地图的概率，所述目标地图包括所述子地图；
第二确定模块1204，用于根据所述候选地图区域中包括目标地图的概率和每个所述特征区域中包括各自对应的子地图的概率，确定所述待检测图片对应的检测结果，其中，所述检测结果用于指示所述待检测图片中是否包括所述目标地图。
一种可能的实现方式中，所述第二确定模块1204，包括：
第一确定单元，用于确定在所述待检测图片中检测到的候选地图区域和所述特征区域的总数量；
比较单元，用于根据所述总数量和预设数量进行比较，得到比较结果；
第二确定单元，用于根据所述比较结果以及所述候选地图区域中包括目标地图的概率和每个所述特征区域中包括各自对应的子地图的概率，确定所述待检测图片包括地图的概率；
第三确定单元，用于根据所述待检测图片包括目标地图的概率确定所述检测结果。
一种可能的实现方式中，所述第二确定单元具体用于：
若所述比较结果为所述总数量小于所述预设数量，则在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，将各所述特征区域中包括各自对应的子地图的概率和所述候选地图区域中包括目标地图的概率中的最大值，确定为所述待检测图片包括目标地图的概率；
其中，所述第一位置关系为所述候选地图区域以及所述特征区域的位置关系，第二位置关系为所述目标地图和所述子地图之间的位置关系。
一种可能的实现方式中，所述第二确定单元具体用于：
若所述比较结果为所述总数量大于等于所述预设数量，则在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，确定所述待检测图片包括目标地图的概率为预设概率；
其中，所述第一位置关系为所述候选地图区域以及所述特征区域的位置关系，第二位置关系为所述目标地图和所述子地图之间的位置关系。
一种可能的实现方式中，所述第三确定单元具体用于：
若所述待检测图片包括目标地图的概率大于等于概率阈值，则确定所述检测结果为所述待检测图片中包括地图；或者，
若所述待检测图片包括目标地图的概率小于所述概率阈值，则确定所述检测结果为所述待检测图片中不包括地图。
一种可能的实现方式中，所述识别模块1201，包括：
第四确定单元，用于在所述待检测图片中确定至少一个检测地图区域；
第五确定单元，用于确定各所述检测地图区域中包括目标地图的概率；
第六确定单元，用于将各所述检测地图区域中，包括目标地图的概率最大的检测地图区域确定为所述候选地图区域。
一种可能的实现方式中，所述第一确定模块1202，包括：
第七确定单元，用于针对各所述子地图，分别在所述候选地图区域中确定所述子地图对应的至少一个检测特征区域；
第八确定单元，用于确定各所述检测特征区域中包括各自对应的所述子地图的概率；
第九确定单元，用于将所述子地图对应的至少一个检测特征区域中，包括所述子地图的概率最大的检测特征区域确定为所述子地图对应的特征区域。
一种可能的实现方式中，所述装置还包括：处理模块1205；
所述处理模块1205，包括：第十确定单元；
所述第十确定单元用于，若所述候选地图区域中包括目标地图的概率小于预设阈值，则确定所述待检测图片中不包括目标地图。
一种可能的实现方式中，所述处理模块1205还包括：第一发送单元；
所述第一发送单元，用于若所述检测结果为所述待检测图片中包括所述目标地图，则根据目标地址向目标设备发送所述待检测图片。
一种可能的实现方式中，所述处理模块1205还包括：第二发送单元；
所述第二发送单元，用于若所述检测结果为所述待检测图片中不包括所述目标地图，则发布所述待检测图片，并向用户设备发送提示信息，其中，所述提示信息用于指示所述待检测图片发布成功。
一种可能的实现方式中，所述处理模块1205还包括：接收单元；
所述接收单元，用于接收上传请求，其中，所述上传请求中包括所述待检测图片。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例，本申请还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图13示出了可以用来实施本申请的实施例的示例电子设备1300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器（ROM）1302中的计算机程序或者从存储单元1308加载到随机访问存储器（RAM）1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出（I/O）接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如目标检测方法。例如，在一些实施例中，目标检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行目标检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (24)

1.一种目标检测方法，包括：
在待检测图片中识别得到候选地图区域；
若所述候选地图区域中包括目标地图的概率大于或等于预设阈值，则在所述候选地图区域中确定至少一个特征区域，每个所述特征区域为包括子地图的概率最大的检测特征区域，所述候选地图区域中包括各个所述子地图对应的至少一个检测特征区域；
获取每个所述特征区域中包括各自对应的子地图的概率，所述目标地图包括所述子地图；
基于所述候选地图区域和所述特征区域的总数量与预设数量的大小，根据所述候选地图区域中包括目标地图的概率和每个所述特征区域中包括各自对应的子地图的概率，确定所述待检测图片包括目标地图的概率，并确定对应的检测结果，其中，所述检测结果用于指示所述待检测图片中是否包括所述目标地图。
2.根据权利要求1所述的方法，其中，所述确定所述待检测图片包括目标地图的概率之前，所述方法还包括：
确定在所述待检测图片中检测到的候选地图区域和所述特征区域的总数量；
根据所述总数量和预设数量进行比较，得到比较结果。
3.根据权利要求2所述的方法，其中，所述确定所述待检测图片包括目标地图的概率，包括：
若所述比较结果为所述总数量小于所述预设数量，则在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，将各所述特征区域中包括各自对应的子地图的概率和所述候选地图区域中包括目标地图的概率中的最大值，确定为所述待检测图片包括目标地图的概率；
其中，所述第一位置关系为所述候选地图区域以及所述特征区域的位置关系，第二位置关系为所述目标地图和所述子地图之间的位置关系。
4.根据权利要求2所述的方法，其中，所述确定所述待检测图片包括目标地图的概率，包括：
若所述比较结果为所述总数量大于等于所述预设数量，则在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，确定所述待检测图片包括目标地图的概率为预设概率；
其中，所述第一位置关系为所述候选地图区域以及所述特征区域的位置关系，第二位置关系为所述目标地图和所述子地图之间的位置关系。
5.根据权利要求2所述的方法，其中，所述方法还包括：
若所述待检测图片包括目标地图的概率大于等于概率阈值，则确定所述检测结果为所述待检测图片中包括地图；或者，
若所述待检测图片包括目标地图的概率小于所述概率阈值，则确定所述检测结果为所述待检测图片中不包括地图。
6.根据权利要求1所述的方法，其中，所述在待检测图片中识别得到候选地图区域，包括：
在所述待检测图片中确定至少一个检测地图区域；
确定各所述检测地图区域中包括目标地图的概率；
将各所述检测地图区域中，包括目标地图的概率最大的检测地图区域确定为所述候选地图区域。
7.根据权利要求6所述的方法，其中，所述在所述候选地图区域中确定至少一个特征区域，包括：
针对各所述子地图，分别在所述候选地图区域中确定所述子地图对应的至少一个检测特征区域；
确定各所述检测特征区域中包括各自对应的所述子地图的概率；
将所述子地图对应的至少一个检测特征区域中，包括所述子地图的概率最大的检测特征区域确定为所述子地图对应的特征区域。
8.根据权利要求1-7任一项所述的方法，所述方法还包括：
若所述候选地图区域中包括目标地图的概率小于预设阈值，则确定所述待检测图片中不包括目标地图。
9.根据权利要求1-7任一项所述的方法，所述方法还包括：
若所述检测结果为所述待检测图片中包括所述目标地图，则根据目标地址向目标设备发送所述待检测图片。
10.根据权利要求1-7任一项所述的方法，所述方法还包括：
若所述检测结果为所述待检测图片中不包括所述目标地图，则发布所述待检测图片，并向用户设备发送提示信息，其中，所述提示信息用于指示所述待检测图片发布成功。
11.根据权利要求1-7任一项所述的方法，所述方法还包括：
接收上传请求，其中，所述上传请求中包括所述待检测图片。
12.一种目标检测装置，包括：
识别模块，用于在待检测图片中识别得到候选地图区域；
第一确定模块，用于若所述候选地图区域中包括目标地图的概率大于或等于预设阈值，则在所述候选地图区域中确定至少一个特征区域，每个所述特征区域为包括子地图的概率最大的检测特征区域，所述候选地图区域中包括各个所述子地图对应的至少一个检测特征区域；
获取模块，用于获取每个所述特征区域中包括各自对应的子地图的概率，所述目标地图包括所述子地图；
第二确定模块，用于基于所述候选地图区域和所述特征区域的总数量与预设数量的大小，根据所述候选地图区域中包括目标地图的概率和每个所述特征区域中包括各自对应的子地图的概率，确定所述待检测图片包括目标地图的概率，并确定对应的检测结果，其中，所述检测结果用于指示所述待检测图片中是否包括所述目标地图。
13.根据权利要求12所述的装置，其中，所述第二确定模块，包括：
第一确定单元，用于确定在所述待检测图片中检测到的候选地图区域和所述特征区域的总数量；
比较单元，用于根据所述总数量和预设数量进行比较，得到比较结果。
14.根据权利要求13所述的装置，其中，所述第二确定模块还包括第二确定单元，所述第二确定单元具体用于：
若所述比较结果为所述总数量小于所述预设数量，则在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，将各所述特征区域中包括各自对应的子地图的概率和所述候选地图区域中包括目标地图的概率中的最大值，确定为所述待检测图片包括目标地图的概率；
其中，所述第一位置关系为所述候选地图区域以及所述特征区域的位置关系，第二位置关系为所述目标地图和所述子地图之间的位置关系。
15.根据权利要求13所述的装置，其中，所述第二确定模块包括第二确定单元，所述第二确定单元具体用于：
若所述比较结果为所述总数量大于等于所述预设数量，则在第一位置关系与第二位置关系的相似度大于或等于预设相似度时，确定所述待检测图片包括目标地图的概率为预设概率；
其中，所述第一位置关系为所述候选地图区域以及所述特征区域的位置关系，第二位置关系为所述目标地图和所述子地图之间的位置关系。
16.根据权利要求13所述的装置，其中，所述第二确定模块还包括第三确定单元，所述第三确定单元具体用于：
若所述待检测图片包括目标地图的概率大于等于概率阈值，则确定所述检测结果为所述待检测图片中包括地图；或者，
若所述待检测图片包括目标地图的概率小于所述概率阈值，则确定所述检测结果为所述待检测图片中不包括地图。
17.根据权利要求12所述的装置，其中，所述识别模块，包括：
第四确定单元，用于在所述待检测图片中确定至少一个检测地图区域；
第五确定单元，用于确定各所述检测地图区域中包括目标地图的概率；
第六确定单元，用于将各所述检测地图区域中，包括目标地图的概率最大的检测地图区域确定为所述候选地图区域。
18.根据权利要求17所述的装置，其中，所述第一确定模块，包括：
第七确定单元，用于针对各所述子地图，分别在所述候选地图区域中确定所述子地图对应的至少一个检测特征区域；
第八确定单元，用于确定各所述检测特征区域中包括各自对应的所述子地图的概率；
第九确定单元，用于将所述子地图对应的至少一个检测特征区域中，包括所述子地图的概率最大的检测特征区域确定为所述子地图对应的特征区域。
19.根据权利要求12-18任一项所述的装置，所述装置还包括：处理模块；
所述处理模块，包括：第十确定单元；
所述第十确定单元用于，若所述候选地图区域中包括目标地图的概率小于预设阈值，则确定所述待检测图片中不包括目标地图。
20.根据权利要求12-18任一项所述的装置，处理模块还包括：第一发送单元；
所述第一发送单元，用于若所述检测结果为所述待检测图片中包括所述目标地图，则根据目标地址向目标设备发送所述待检测图片。
21.根据权利要求12-18任一项所述的装置，处理模块还包括：第二发送单元；
所述第二发送单元，用于若所述检测结果为所述待检测图片中不包括所述目标地图，则发布所述待检测图片，并向用户设备发送提示信息，其中，所述提示信息用于指示所述待检测图片发布成功。
22.根据权利要求12-18任一项所述的装置，处理模块还包括：接收单元；
所述接收单元，用于接收上传请求，其中，所述上传请求中包括所述待检测图片。
23. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。
CN202110247406.XA 2021-03-05 2021-03-05 目标检测方法及装置 Active CN112966609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110247406.XA CN112966609B (zh) 2021-03-05 2021-03-05 目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110247406.XA CN112966609B (zh) 2021-03-05 2021-03-05 目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN112966609A CN112966609A (zh) 2021-06-15
CN112966609B true CN112966609B (zh) 2023-08-11

Family

ID=76276715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110247406.XA Active CN112966609B (zh) 2021-03-05 2021-03-05 目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN112966609B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721093B (zh) * 2023-08-03 2023-10-31 克伦斯(天津)轨道交通技术有限公司 基于神经网络的地铁轨道障碍物检测方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875723A (zh) * 2018-01-03 2018-11-23 北京旷视科技有限公司 对象检测方法、装置和系统及存储介质
CN109977191A (zh) * 2019-04-01 2019-07-05 国家基础地理信息中心 问题地图检测方法、装置、电子设备和介质
WO2020000643A1 (zh) * 2018-06-28 2020-01-02 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、设备及可读存储介质
CN110674698A (zh) * 2019-08-30 2020-01-10 杭州电子科技大学 一种密集子区域切割的遥感图像旋转舰船目标检测方法
CN111414910A (zh) * 2020-03-18 2020-07-14 上海嘉沃光电科技有限公司 基于双重卷积神经网络的小目标增强检测方法和装置
CN111487986A (zh) * 2020-05-15 2020-08-04 中国海洋大学 基于全局信息传递机制的水下机器人协同目标搜索方法
CN111783639A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像检测方法、装置、电子设备及可读存储介质
WO2020221298A1 (zh) * 2019-04-30 2020-11-05 北京金山云网络技术有限公司 文本检测模型训练方法、文本区域、内容确定方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6735596B2 (en) * 2001-06-07 2004-05-11 Guy Charles Corynen Computer method and user interface for decision analysis and for global system optimization
US10775174B2 (en) * 2018-08-30 2020-09-15 Mapbox, Inc. Map feature extraction system for computer map visualizations
US10937143B1 (en) * 2019-08-21 2021-03-02 Ping An Technology (Shenzhen) Co., Ltd. Fracture detection method, electronic device and storage medium

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875723A (zh) * 2018-01-03 2018-11-23 北京旷视科技有限公司 对象检测方法、装置和系统及存储介质
WO2020000643A1 (zh) * 2018-06-28 2020-01-02 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、设备及可读存储介质
CN109977191A (zh) * 2019-04-01 2019-07-05 国家基础地理信息中心 问题地图检测方法、装置、电子设备和介质
WO2020221298A1 (zh) * 2019-04-30 2020-11-05 北京金山云网络技术有限公司 文本检测模型训练方法、文本区域、内容确定方法和装置
CN110674698A (zh) * 2019-08-30 2020-01-10 杭州电子科技大学 一种密集子区域切割的遥感图像旋转舰船目标检测方法
CN111414910A (zh) * 2020-03-18 2020-07-14 上海嘉沃光电科技有限公司 基于双重卷积神经网络的小目标增强检测方法和装置
CN111487986A (zh) * 2020-05-15 2020-08-04 中国海洋大学 基于全局信息传递机制的水下机器人协同目标搜索方法
CN111783639A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像检测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN112966609A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112597837B (zh) 图像检测方法、装置、设备、存储介质和计算机程序产品
CN113705716B (zh) 图像识别模型训练方法、设备、云控平台及自动驾驶车辆
CN111275011B (zh) 移动红绿灯检测方法、装置、电子设备和存储介质
CN113378969B (zh) 一种目标检测结果的融合方法、装置、设备及介质
CN113657395B (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
CN113392794B (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN113205041B (zh) 结构化信息提取方法、装置、设备和存储介质
CN112966609B (zh) 目标检测方法及装置
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN113177497B (zh) 视觉模型的训练方法、车辆识别方法及装置
US20220392192A1 (en) Target re-recognition method, device and electronic device
CN114549904B (zh) 视觉处理及模型训练方法、设备、存储介质及程序产品
CN115937950A (zh) 一种多角度人脸数据采集方法、装置、设备及存储介质
CN114187488B (zh) 图像处理方法、装置、设备、介质
CN113033431B (zh) 光学字符识别模型训练和识别方法、装置、设备及介质
CN113554062B (zh) 多分类模型的训练方法、设备和存储介质
CN113936158A (zh) 一种标签匹配方法及装置
CN113313125A (zh) 图像处理方法和装置、电子设备、计算机可读介质
CN116258769B (zh) 一种定位校验方法、装置、电子设备和存储介质
CN113344890B (zh) 医学图像识别方法、识别模型训练方法及装置
CN114972807B (zh) 图像识别准确率的确定方法、装置、电子设备和介质
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN113807236B (zh) 车道线检测的方法、装置、设备、存储介质及程序产品
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant