CN113919476A - 一种图像处理方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本申请公开了一种图像处理方法，包括：获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。本申请提供的图像处理方法，提高了卷积神经网络在图像处理过程中的尺度鲁棒性和卷积神经网络的图像处理性能。

Description

一种图像处理方法、装置、电子设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及一种图像处理方法。本申请同时涉及一种图像处理装置、电子设备以及存储介质。

背景技术

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，现已被广泛应用于图像处理、自然语言处理等领域。在将卷积神经网络应用于图像处理时的一般思路为：使用已经训练好且具有特定用途的指定卷积神经网络对待处理图像进行图像特征提取，获得待处理图像中有用的图像特征信息，再根据这些有用的图像特征信息获得图像处理的结果，并输出。

在将卷积神经网络应用于图像处理时，由于是通过卷积神经网络对待处理图像做统一的特征提取，卷积神经网络在图像处理过程中的尺度鲁棒性就会较差。这样，就会造成将卷积神经网络应用于对图像尺度信息敏感的图像处理任务时，如：人群计数、物体检测等图像处理任务，会存在图像处理的性能较差的问题。

发明内容

本申请提供一种图像处理方法、装置、电子设备以及存储介质，以提高卷积神经网络在图像处理过程中的尺度鲁棒性，从而提高图像处理的性能。

本申请提供一种图像处理方法，包括：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

可选的，还包括：根据所述针对所述不同图像区域的卷积结果，获得针对所述待处理图像的处理结果。

可选的，所述分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，包括：

获得高斯卷积核的卷积核尺寸与所述卷积核的卷积核尺寸相同的多个高斯滤波器，所述多个高斯滤波器中的每个高斯滤波器分别对应的不同的指定标准差；

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数。

可选的，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数，包括：

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定多个高斯滤波器在所述不同图像区域对应的权重值；

根据所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器，获得所述不同图像区域对应的卷积核权重系数。

可选的，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定多个高斯滤波器在所述不同图像区域对应的权重值，包括：

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述多个高斯滤波器中的每个高斯滤波器与所述不同图像区域的相关程度；

根据所述每个高斯滤波器与所述不同图像区域的相关程度，确定所述每个高斯滤波器在所述不同图像区域对应的权重值。

可选的，所述根据所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器，获得所述不同图像区域对应的卷积核权重系数，包括：根据所述多个高斯滤波器中的每个高斯滤波器在所述不同图像区域对应的权重值和所述每个高斯滤波器，对所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器进行加权平均，获得所述不同图像区域对应的卷积核权重系数。

可选的，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述多个高斯滤波器中的每个高斯滤波器与所述不同图像区域的相关程度，包括：

获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的第一指定参数，并获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的第二指定参数；

获得所述多个高斯滤波器的数目，并获得所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，所述针对所述多个高斯滤波器的排序为按照所述多个高斯滤波器对应的指定标准差从小到大的顺序对所述多个高斯滤波器进行的排序；

根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，确定所述每个高斯滤波器与所述不同图像区域的相关程度。

可选的，所述不同图像区域对应的尺度信息，包括：所述不同图像区域对应的视度值信息；

所述根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，确定所述每个高斯滤波器与所述不同图像区域的相关程度，包括：

根据所述第一指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的视度值信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的目标参数；

根据所述目标参数和所述第二指定参数，计算所述每个高斯滤波器与所述不同图像区域的相关程度。

可选的，所述根据所述每个高斯滤波器与所述不同图像区域的相关程度，确定所述每个高斯滤波器在所述不同图像区域对应的权重值，包括：

根据所述每个高斯滤波器与所述不同图像区域的相关程度，获得所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂；

根据所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂，获得所述多个高斯滤波器与所述不同图像区域的相关程度的指数幂之和；

根据所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂与所述多个高斯滤波器与所述不同图像区域的相关程度的指数幂之和的比例，获得所述每个高斯滤波器在所述不同图像区域对应的权重值。

可选的，还包括：

获得所述卷积核的卷积核尺寸；

根据所述卷积核的卷积核尺寸，确定所述高斯卷积核的卷积核尺寸。

可选的，所述分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果，包括：

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，获得所述卷积核中的元素对应于所述不同图像区域的模拟权重系数；

根据所述卷积核中的元素对应于所述不同图像区域的模拟权重系数和所述目标卷积神经网络中的卷积核对所述不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

可选的，所述分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，获得所述卷积核中的元素对应于所述不同图像区域的模拟权重系数，包括：将所述不同图像区域对应的卷积核权重系数和所述卷积核中的元素对应的权重相乘，所述卷积核中的元素对应于所述不同图像区域的模拟权重系数。

可选的，所述获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，包括：

获得所述待处理图像；

对所述待处理图像进行尺度信息提取，获得所述多个尺度信息；

根据所述多个尺度信息，获得所述指定尺度信息，并获得所述指定尺度信息在所述待处理图像中对应的图像区域；

根据所述指定尺度信息在所述待处理图像中对应的图像区域，获得所述多个图像区域。

本申请另一方面，还提供一种图像处理装置，包括：

图像区域获得单元，用于获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

权重系数获得单元，用于分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

卷积结果获得单元，用于分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

本申请另一方面，还提供一种电子设备，包括：

处理器；以及

存储器，用于存储针对图像处理方法的程序，该设备通电并通过所述处理器运行该图像处理方法的程序后，执行下述步骤：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

本申请另一方面，还提供一种存储介质，存储有针对图像处理方法的程序，该程序被处理器运行，执行下述步骤：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

本申请另一方面，还提供一种对象计数方法，包括：

获得包含目标对象的待处理图像；

获得待处理图像对应的多个深度值信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个深度值信息中的指定深度值信息对应；

分别根据所述指定深度值信息，获得不同图像区域对应的卷积核权重系数，所述指定图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果；

根据所述针对所述不同图像区域的卷积结果，获得所述目标对象的数目。

本申请另一方面，还提供一种对象检测方法，包括：

获得包含目标对象的待处理图像；

获得待处理图像对应的多个边界框信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个边界框信息中的不同边界框信息对应；

分别根据所述不同边界框信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果；

根据所述针对所述不同图像区域的卷积结果，获得所述目标对象。

本申请另一方面，还提供一种图像处理方法，包括：

获得待处理图像对应的至少一个尺度信息，并获得所述待处理图像中的至少一个图像区域，所述至少一个图像区域中的不同图像区域分别与所述至少一个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

本申请另一方面，还提供一种图像处理系统，包括：平台服务端和用户终端；

所述平台服务端，用于获得所述用户终端提供的待处理图像；获得所述待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果；根据所述针对所述不同图像区域的卷积结果，获得针对所述待处理图像的处理结果；将所述处理结果提供给所述用户终端；

所述用户终端，用于向所述平台服务端发送所述待处理图像；获得所述平台服务端发送的处理结果。

与现有技术相比，本申请具有以下优点：

本申请提供的图像处理方法，在获得待处理图像对应的多个尺度信息，并获得待处理图像中的多个图像区域后；先分别根据指定尺度信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数；再分别根据不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。本申请提供的图像处理方法，先分别根据指定尺度信息，获得不同图像区域对应的卷积核权重系数，再进一步分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果，能够确保针对具有不同尺度信息的图像区域，进行不同程度的卷积处理，从而提高了卷积神经网络在图像处理过程中的尺度鲁棒性，进而提高了卷积神经网络的图像处理性能。

附图说明

图1A为本申请实施例中提供的图像处理方法的应用场景的第一示意图。

图1B为本申请实施例中提供的图像处理方法的应用场景的第二示意图。

图2为本申请第一实施例中提供的一种图像处理方法的流程图。

图3为本申请第一实施例中提供的一种相关程度获取方法的流程图。

图4为本申请第二实施例中提供的一种图像处理装置的示意图。

图5为本申请实施例中提供的一种电子设备的示意图。

图6为本申请第五实施例中提供的一种对象计数方法的流程图。

图7为本申请第六实施例中提供的一种对象计数方法的流程图。

图8为本申请第七实施例中提供的一种图像处理方法的流程图。

图9为本申请第八实施例中提供的一种图像处理系统的示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

为了更清楚地展示本申请提供的图像处理方法，首先介绍一下本申请提供的图像处理方法的应用场景。本申请实施例中提供的图像处理方法，在实际应用中，用于通过目标卷积神经网络对图像进行卷积处理，以获得图像中的目标对象或目标对象的数目。所谓待处理图像为图像中包括至少一个目标对象的图像。所谓目标对象为根据需求预先选定图像中的对象，一般为人物对象、动物对象以及物体对象等。所谓目标卷积神经网络为用于对待处理图像进行图像特征提取，以获得待处理图像中有用的图像特征信息的卷积神经网络。本申请实施例中提供的图像处理方法的应用场景中所谓的尺度信息为通过预设的神经网络对待处理图像进行尺度信息提取而获得的信息，具体包括图像对应的深度值信息和图像对应的边界框信息等。

本申请实施例中提供的图像处理方法的执行主体为安装有针对本申请实施例中提供的图像处理方法的程序或软件的计算设备。

本申请实施例中具体以将本申请提供的图像处理方法应用于人群计数为例，对本申请提供的图像处理方法进行详细地说明。此时，目标对象为人物对象，待处理图像为图像中包括至少一个人物的图像，待处理图像对应的尺度信息为待处理图像对应的多个深度值信息。将本申请提供的图像处理方法应用于人群计数时，本申请提供的图像处理方法的步骤如图1A所示，其为本申请实施例中提供的图像处理方法的应用场景的第一示意图。

图像获得模块101A获得图像中包括至少一个人物对象的待处理图像。图像尺度信息获得模块102A对待处理图像进行图像尺度信息提取，获得待处理图像对应的多个尺度信息，所谓对待处理图像进行图像尺度信息提取的具体实现方式一般为：对待处理图像进行图像深度值信息提取，获得待处理图像对应的多个深度值信息。图像区域划分模块103A用于根据待处理图像对应的多个深度值信息，获得待处理图像中的多个图像区域，该多个图像区域中的不同图像区域分别与多个深度值信息中的指定深度值信息对应。权重系数确定模块104A用于分别根据不定深度值信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。权重系数确定模块105A用于分别根据每个不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对每个不同图像区域进行卷积处理，获得针对每个不同图像区域的卷积结果。

将本申请提供的图像处理方法应用于人群计数时的具体实现过程请参照图1B，其为本申请实施例中提供的图像处理方法的应用场景的第二示意图。

首先，获得待处理图像。第一、获得图像中包括至少一个人物对象的初始图像。第二、对该初始图像进行图像预处理，获得待处理图像。所谓对该初始图像进行图像预处理的具体实现方式为：对该初始图像进行图像降噪等图像质量增强处理。

其次，获得待处理图像中的多个尺度信息。具体的，获得待处理图像对应的多个尺度信息，并获得待处理图像中的多个图像区域。即，先获得待处图像对应的深度值图像，并根据深度值图像，确定待处理图像中的多个深度值信息，再获得多个深度值信息中的指定深度值信息在待处理图像中对应的不同图像区域，并根据多个深度值信息中的指定深度值信息在待处理图像中对应的不同图像区域，获得待处理图像中的多个图像区域。其中，深度值图像可以为预先通过基于深度学习的单目图像深度估计获得的图像，也可以是在获得待处理图像后，再基于深度学习的单目图像深度估计对该待处理图像进行图像深度值提取后获得的图像。由于多个图像区域是根据指定深度值信息在待处理图像中对应的不同图像区域来获得的图像区域，所以，多个图像区域中的不同图像区域分别与多个深度值信息中的指定深度值信息对应。

本申请实施例中，多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应，具体实现方式一般为：多个图像区域中的每个图像区域分别与所述多个尺度信息中的每个尺度信息对应。需要说明的是，由于图像对应的视度图中的视度值信息用于标识现实中一米的对象在摄像头中成像的像素数目，在同一图像中，距离摄像头越近，则视度值越大。另外，图像对应的深度值图像中的深度值信息用于标识图像中的对象在现实中距离摄像头的距离，距离摄像头越远，深度值越大。综上，待处理图像的多个深度值信息可以使用待处理图像对应的多个视度值信息来替代。即，所谓获得待处理图像中的多个尺度信息的具体实现方式为：待处理图像中的多个尺度信息。

再次，获得不同图像区域对应的卷积核权重系数。即，分别根据指定视度值信息，获得不同图像区域对应的卷积核权重系数。所谓不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。所谓目标卷积神经网络在将本申请提供的图像处理方法应用于人群计数时，为用于提取图像中人群图像密度特征信息的卷积神经网络。

本申请实施例中提供的图像处理方法的应用场景中，获得不同图像区域对应的卷积核权重系数的具体实现方式如下：

第一、获得高斯卷积核的卷积核尺寸与卷积核的卷积核尺寸相同的多个高斯滤波器，多个高斯滤波器中的每个高斯滤波器分别对应的不同的指定标准差。所谓卷积核尺寸为卷积核对应的高度尺寸和宽度尺寸，常见的卷积核对应的卷积核尺寸有：3*3、5*5以及7*7等。本申请实施例中提供的图像处理方法的应用场景中，具体以卷积核对应的卷积核尺寸为7*7为例，对本申请实施例中提供的图像处理方法的应用场景进行说明。所谓高斯滤波器用于在对图像进行图像处理时，将该图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均，作为处理后的图像的像素点的像素值。所谓高斯滤波器的标准差用于分配将图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均时不同像素点的权重，标准差越小，则距离目标像素点的其他像素点的权重越小。

本申请实施例中提供的图像处理方法的应用场景中，在获得高斯卷积核的卷积核尺寸与所述卷积核的卷积核尺寸相同的多个高斯滤波器之前，需要先获得卷积核的卷积核尺寸，再根据卷积核的卷积核尺寸，确定高斯卷积核的卷积核尺寸。由于95.449974％的面积在平均数左右两个指定标准差σ范围内。即，随机变量处于P{μ-2σ＜x＜μ+2σ}＝95.4％，因此有4σ＝K。其中，K为高斯卷积核的卷积核尺寸。当高斯滤波器的高斯核尺寸确定后，如果让高斯卷积核的卷积核尺寸为7*7的高斯滤波器相当于卷积核尺寸为7*7的卷积核，则需要设置指定标准差σ为1.25，由于此时4σ＝K为4σ＝7，因此，σ＝1.25。如果让高斯卷积核的卷积核尺寸为7*7的高斯滤波器相当于卷积核尺寸为1*1的卷积核，则需要设置指定标准差σ为0.25，由于此时4σ＝K为4σ＝1，因此，σ＝0.25。本申请实施例中提供的图像处理方法的应用场景中，分别设置高斯卷积核的卷积核尺寸为7*7、指定标准差σ依次为0.25、0.30、0.35…1.70、1.75的30个高斯滤波器作为高斯卷积核的卷积核尺寸与卷积核的卷积核尺寸相同的多个高斯滤波器。具体的，将多个高斯滤波器分别记为：G₁、G₂…G₃₀。

第二、根据多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器，获得不同图像区域对应的卷积核权重系数。即，首先，根据不同图像区域对应的视度值信息p_i和多个高斯滤波器，确定多个高斯滤波器在不同图像区域对应的权重值。然后，根据多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器，获得不同图像区域对应的卷积核权重系数。其中，i为不同不同图像区域在多个图像区域中的序号。

所谓根据不同图像区域对应的视度值信息p_i和多个高斯滤波器，确定多个高斯滤波器在不同图像区域对应的权重值的具体实现方式为：首先，根据不同图像区域对应的视度值信息p_i和多个高斯滤波器，确定多个高斯滤波器中的每个高斯滤波器G_j与不同图像区域的相关程度u_ij。。然后，根据每个高斯滤波器G_j与不同图像区域的相关程度u_ij，确定每个高斯滤波器G_j在不同图像区域对应的权重值U_i。其中，j为不同不同高斯滤波器在针对多个高斯滤波器的排序中的序列号，u_ij为在第j个高斯滤波器与第i个图像区域相关程度。所谓不同不同高斯滤波器在针对多个高斯滤波器的排序中的序列号为针对多个高斯滤波器的排序为按照多个高斯滤波器对应的指定标准差从小到大的顺序对多个高斯滤波器进行的排序。

本申请实施例中提供的图像处理方法的应用场景中，确定多个高斯滤波器中的每个高斯滤波器G_j与不同图像区域的相关程度u_ij的步骤为：首先，获得用于计算每个高斯滤波器G_j与不同图像区域的相关程度u_ij的第一指定参数θ，并获得用于计算每个高斯滤波器G_j与不同图像区域的相关程度u_ij的第二指定参数η。所谓第一指定参数θ和第二指定参数η为通过指定的参数训练后获得参数。然后，获得多个高斯滤波器的数目L，并获得每个高斯滤波器在针对多个高斯滤波器的排序中的序列号j。本申请实施例中提供的图像处理方法的应用场景中，L＝30。最后，根据第一指定参数θ、第二指定参数η、多个高斯滤波器的数目L、不同图像区域对应的视度值信息p_i以及每个高斯滤波器在针对多个高斯滤波器的排序中的序列号j，确定每个高斯滤波器与不同图像区域的相关程度u_ij。

所谓根据第一指定参数θ、第二指定参数η、多个高斯滤波器的数目L、不同图像区域对应的视度值信息p_i以及每个高斯滤波器在针对多个高斯滤波器的排序中的序列号j，确定每个高斯滤波器与不同图像区域的相关程度u_ij，具体实现方式为：根据第一指定参数、多个高斯滤波器的数目不同图像区域对应的视度值信息p_i以及每个高斯滤波器在针对多个高斯滤波器的排序中的序列号j，获得用于计算每个高斯滤波器与不同图像区域的相关程度的目标参数m_ij＝θ||p_i*L-j||²；根据目标参数m_ij＝θ||p_i*L-j||²和第二指定参数η，计算每个高斯滤波器与不同图像区域的相关程度u_ij，

需要说明的是，在尺度信息为视度值信息时，计算每个高斯滤波器与不同图像区域的相关程度的目标参数的公式才为：m_ij＝θ||p_i*L-j||²，进而计算每个高斯滤波器与不同图像区域的相关程度u_ij的公式才可具体为，

当尺度信息为视度值信息之外的尺度信息时，虽然确定所述每个高斯滤波器与所述不同图像区域的相关程度的步骤依然为：“根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述多个高斯滤波器，确定所述每个高斯滤波器与所述不同图像区域的相关程度”，但是，并不能直接套用上述公式：m_ij＝θ||p_i*L-j||²和

本申请实施例中提供的图像处理方法的应用场景中，所谓根据每个高斯滤波器G_i与不同图像区域的相关程度u_ij，确定每个高斯滤波器G_i在不同图像区域对应的权重值U_i的具体实现方式为：首先，根据每个高斯滤波器G_i与不同图像区域的相关程度u_ij，获得每个高斯滤波器与不同图像区域的相关程度的指数幂exp(u_ij)。然后，根据每个高斯滤波器与不同图像区域的相关程度的指数幂，获得多个高斯滤波器与不同图像区域的相关程度的指数幂之和∑_jexp(u_ij)。最后，根据每个高斯滤波器与不同图像区域的相关程度的指数幂exp(u_ij)与多个高斯滤波器与不同图像区域的相关程度的指数幂之和∑_jexp(u_ij)的比例，获得每个高斯滤波器在不同图像区域对应的权重值。即，U_i＝exp(u_ij)/∑_jexp(u_ij)，U_i为每个高斯滤波器在第i个图像区域对应的权重值。本申请实施例中提供的图像处理方法的应用场景中，所谓根据多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器，获得不同图像区域对应的卷积核权重系数的具体实现方式为：根据多个高斯滤波器中的每个高斯滤波器G_i在不同图像区域对应的权重值U_i和每个高斯滤波器G_j，对多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器进行加权平均，获得不同图像区域对应的卷积核权重系数。即，

所谓，U_ij为第个j高斯滤波器在第i个图像区域对应的权重值，所谓

为第i个图像区域对应的卷积核权重系数。

最后，获得针对不同图像区域的卷积结果。即，分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。具体的实现方式为：第一、分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，获得卷积核中的元素对应于不同图像区域的模拟权重系数。第二、根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。所谓分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，获得卷积核中的元素对应于不同图像区域的模拟权重系数，包括：将不同图像区域对应的卷积核权重系数和卷积核中的元素对应的权重相乘，卷积核中的元素对应于不同图像区域的模拟权重系数。

所谓根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果为：根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的人群密度特征信息。

在获得针对不同图像区域的人群密度特征信息后，本申请实施例中提供的图像处理方法的应用场景中，还需要进一步根据针对不同图像区域的卷积结果，获得针对待处理图像的处理结果。即，根据针对不同图像区域的人群密度特征信息，获得待处理图像中的人物对象的数目。

本申请实施例中不对本申请实施例中提供的图像处理方法的应用场景做具体的限定，如：本申请提供的图像处理方法可以用于目标对象检测的场景等，在此不再一一赘述。本申请实施例中提供的上述图像处理方法的应用场景，是为了便于理解本申请提供的图像处理方法，而并非用于限定本申请提供的图像处理方法。

第一实施例

第一实施例提供一种图像处理方法，以下结合图2和图3进行说明。

图2为本申请第一实施例中提供的一种图像处理方法的流程图。图2所示的图像处理方法，包括：步骤S201至步骤S203。

在步骤S201中，获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应。

本申请第一实施例中，所谓待处理图像为图像中包括至少一个目标对象的图像。所谓目标对象为根据需求预先选定图像中的对象，一般为人物对象、动物对象以及物体对象等。所谓的尺度信息为通过预设的神经网络对待处理图像进行尺度信息提取而获得的信息，具体包括待处理图像对应的深度值信息和图像对应的边界框信息等。

本申请第一实施例中，获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域的具体实现方式为：首先，获得所述待处理图像。其次，对所述待处理图像进行尺度信息提取，获得所述多个尺度信息。再次，根据所述多个尺度信息，获得所述指定尺度信息，并获得所述指定尺度信息在所述待处理图像中对应的图像区域。最后，根据所述指定尺度信息在所述待处理图像中对应的图像区域，获得所述多个图像区域。

本申请第一实施例中，具体以尺度信息为边界框信息为例，此时，获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域的具体操作为：先获得待处图像对应的边界框图像，并根据边界框像，确定待处理图像中的多个边界框信息，再获得多个边界框信息中的不同边界框信息在待处理图像中对应的不同图像区域，并根据多个边界框信息中的不同边界框信息在待处理图像中对应的不同图像区域，获得待处理图像中的多个图像区域。其中，边界框图像可以为预先通过基于边界框提取网络获得的图像，也可以是在获得待处理图像后，再基于边界框提取网络对该待处理图像进行图像边界框提取后获得的图像。由于多个图像区域是根据不同边界框信息在待处理图像中对应的不同图像区域来获得的图像区域，所以，多个图像区域中的不同图像区域分别与多个尺度信息中的指定尺度信息对应。

本申请第一实施例中，多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应，具体实现方式一般为：多个图像区域中的每个图像区域分别与所述多个尺度信息中的每个尺度信息对应。

在步骤S202中，分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数。

所谓目标卷积神经网络为用于对待处理图像进行图像特征提取，以获得待处理图像中有用的图像特征信息的卷积神经网络。

本申请第一实施例中，所谓分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系的具体实现方式为：首先，获得高斯卷积核的卷积核尺寸与所述卷积核的卷积核尺寸相同的多个高斯滤波器，所述多个高斯滤波器中的每个高斯滤波器分别对应的不同的指定标准差。然后，根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数。

所谓卷积核尺寸为卷积核对应的高度尺寸和宽度尺寸，常见的卷积核对应的卷积核尺寸有：3*3、5*5以及7*7等。所谓高斯滤波器用于在对图像进行图像处理时，将该图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均，作为处理后的图像的像素点的像素值。所谓高斯滤波器的标准差用于分配将图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均时不同像素点的权重，标准差越小，则距离目标像素点的其他像素点的权重越小。

本申请第一实施例中，在获得高斯卷积核的卷积核尺寸与卷积核的卷积核尺寸相同的多个高斯滤波器之前，需要先获得卷积核的卷积核尺寸，再根据卷积核的卷积核尺寸，确定高斯卷积核的卷积核尺寸。

本申请第一实施例中，根据不同图像区域对应的尺度信息和多个高斯滤波器，确定不同图像区域对应的卷积核权重系数的过程为：第一、根据不同图像区域对应的尺度信息和多个高斯滤波器，确定多个高斯滤波器在不同图像区域对应的权重值。第二、根据多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器，获得不同图像区域对应的卷积核权重系数。

所谓根据不同图像区域对应的尺度信息和多个高斯滤波器，确定多个高斯滤波器在不同图像区域对应的权重值的实现方式为：首先，根据不同图像区域对应的尺度信息和多个高斯滤波器，确定多个高斯滤波器中的每个高斯滤波器与不同图像区域的相关程度。然后，根据每个高斯滤波器与不同图像区域的相关程度，确定每个高斯滤波器在不同图像区域对应的权重值。

需要说明的是，本申请第一实施例中，确定多个高斯滤波器中的每个高斯滤波器与不同图像区域的相关程度的步骤请参照图3，其为本申请第一实施例中提供的一种相关程度获取方法的流程图。

步骤S301：获得用于计算每个高斯滤波器与不同图像区域的相关程度的第一指定参数，并获得用于计算每个高斯滤波器与不同图像区域的相关程度的第二指定参数。

所谓第一指定参数和第二指定参数为通过指定的参数训练后获得参数。

步骤S302：获得多个高斯滤波器的数目，并获得每个高斯滤波器在针对多个高斯滤波器的排序中的序列号，针对多个高斯滤波器的排序为按照多个高斯滤波器对应的指定标准差从小到大的顺序对多个高斯滤波器进行的排序。

步骤S303：根据第一指定参数、第二指定参数、多个高斯滤波器的数目、不同图像区域对应的尺度信息以及每个高斯滤波器在针对多个高斯滤波器的排序中的序列号，确定每个高斯滤波器与不同图像区域的相关程度。

由于图像对应的视度图中的视度值信息用于标识现实中一米的对象在摄像头中成像的像素数目，在同一图像中，距离摄像头越近，则视度值越大。另外，图像对应的深度值图像中的深度值信息用于标识图像中的对象在现实中距离摄像头的距离，距离摄像头越远，深度值越大。综上，待处理图像的多个深度值信息可以使用待处理图像对应的多个视度值信息来替代。

在待处理图像对应的多个尺度信息为待处理图像对应的多个视度值信息时，根据第一指定参数、第二指定参数、多个高斯滤波器的数目、不同图像区域对应的尺度信息以及每个高斯滤波器在针对多个高斯滤波器的排序中的序列号，确定每个高斯滤波器与不同图像区域的相关程度，包括：首先，根据第一指定参数、多个高斯滤波器的数目、不同图像区域对应的视度值信息以及每个高斯滤波器在针对多个高斯滤波器的排序中的序列号，获得用于计算每个高斯滤波器与不同图像区域的相关程度的目标参数。然后，根据目标参数和第二指定参数，计算每个高斯滤波器与不同图像区域的相关程度。

本申请第一实施例中，所谓根据每个高斯滤波器与不同图像区域的相关程度，确定每个高斯滤波器在不同图像区域对应的权重值的实现方式为：首先，根据每个高斯滤波器与不同图像区域的相关程度，获得每个高斯滤波器与不同图像区域的相关程度的指数幂。然后，根据每个高斯滤波器与不同图像区域的相关程度的指数幂，获得多个高斯滤波器与不同图像区域的相关程度的指数幂之和。最后，根据每个高斯滤波器与不同图像区域的相关程度的指数幂与多个高斯滤波器与不同图像区域的相关程度的指数幂之和的比例，获得每个高斯滤波器在不同图像区域对应的权重值。

需要说明的是，本申请第一实施例中，根据多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器，获得不同图像区域对应的卷积核权重系数，包括：根据多个高斯滤波器中的每个高斯滤波器在不同图像区域对应的权重值和每个高斯滤波器，对多个高斯滤波器在不同图像区域对应的权重值和多个高斯滤波器进行加权平均，获得不同图像区域对应的卷积核权重系数。

请再参照图2，在步骤S203中，分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。

本申请第一实施例中，获得针对不同图像区域的卷积结果的具体的实现方式为：首先，分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，获得卷积核中的元素对应于不同图像区域的模拟权重系数。然后，根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。所谓分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，获得卷积核中的元素对应于不同图像区域的模拟权重系数，包括：将不同图像区域对应的卷积核权重系数和卷积核中的元素对应的权重相乘，卷积核中的元素对应于不同图像区域的模拟权重系数。

本申请第一实施例中，在获得针对不同图像区域的卷积结果后，还包括：根据针对不同图像区域的卷积结果，获得针对待处理图像的处理结果。具体的，在所谓根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果为：根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的人群密度特征信息时，所谓根据针对不同图像区域的卷积结果，获得针对待处理图像的处理结果为：根据针对不同图像区域的人群密度特征信息，获得待处理图像中的人物对象的数目。

本申请第一实施例中提供的图像处理方法，在获得待处理图像对应的多个尺度信息，并获得待处理图像中的多个图像区域后；先分别根据指定尺度信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数；再分别根据不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。本申请第一实施例中提供的图像处理方法，先分别根据指定尺度信息，获得不同图像区域对应的卷积核权重系数，再进一步分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果，能够确保针对具有不同尺度信息的图像区域，进行不同程度的卷积处理，从而提高了卷积神经网络在图像处理过程中的尺度鲁棒性，进而提高了卷积神经网络的图像处理性能。

第二实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第二实施例还提供了一种图像处理装置。由于装置实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

请参照图4，其为本申请第二实施例中提供的一种图像处理装置的示意图。

本申请第二实施例中提供的图像处理装置，包括：

图像区域获得单元401，用于获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

权重系数获得单元402，用于分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

卷积结果获得单元403，用于分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

可选的，本申请第二实施例中提供的图像处理装置，还包括：图像处理结果获得单元，用于根据所述针对所述不同图像区域的卷积结果，获得针对所述待处理图像的处理结果。

可选的，所述权重系数获得单元402，具体用于获得高斯卷积核的卷积核尺寸与所述卷积核的卷积核尺寸相同的多个高斯滤波器，所述多个高斯滤波器中的每个高斯滤波器分别对应的不同的指定标准差；根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数。

可选的，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数，包括：

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定多个高斯滤波器在所述不同图像区域对应的权重值；

根据所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器，获得所述不同图像区域对应的卷积核权重系数。

可选的，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定多个高斯滤波器在所述不同图像区域对应的权重值，包括：

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述多个高斯滤波器中的每个高斯滤波器与所述不同图像区域的相关程度；

根据所述每个高斯滤波器与所述不同图像区域的相关程度，确定所述每个高斯滤波器在所述不同图像区域对应的权重值。

可选的，所述根据所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器，获得所述不同图像区域对应的卷积核权重系数，包括：根据所述多个高斯滤波器中的每个高斯滤波器在所述不同图像区域对应的权重值和所述每个高斯滤波器，对所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器进行加权平均，获得所述不同图像区域对应的卷积核权重系数。

可选的，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述多个高斯滤波器中的每个高斯滤波器与所述不同图像区域的相关程度，包括：

获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的第一指定参数，并获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的第二指定参数；

获得所述多个高斯滤波器的数目，并获得所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，所述针对所述多个高斯滤波器的排序为按照所述多个高斯滤波器对应的指定标准差从小到大的顺序对所述多个高斯滤波器进行的排序；

根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，确定所述每个高斯滤波器与所述不同图像区域的相关程度。

可选的，所述不同图像区域对应的尺度信息，包括：所述不同图像区域对应的视度值信息；

所述根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，确定所述每个高斯滤波器与所述不同图像区域的相关程度，包括：

根据所述第一指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的视度值信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的目标参数；

根据所述目标参数和所述第二指定参数，计算所述每个高斯滤波器与所述不同图像区域的相关程度。

可选的，所述根据所述每个高斯滤波器与所述不同图像区域的相关程度，确定所述每个高斯滤波器在所述不同图像区域对应的权重值，包括：

根据所述每个高斯滤波器与所述不同图像区域的相关程度，获得所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂；

根据所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂，获得所述多个高斯滤波器与所述不同图像区域的相关程度的指数幂之和；

根据所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂与所述多个高斯滤波器与所述不同图像区域的相关程度的指数幂之和的比例，获得所述每个高斯滤波器在所述不同图像区域对应的权重值。

可选的，还包括：

获得所述卷积核的卷积核尺寸；

根据所述卷积核的卷积核尺寸，确定所述高斯卷积核的卷积核尺寸。

可选的，所述卷积结果获得单元403，具体用于分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，获得所述卷积核中的元素对应于所述不同图像区域的模拟权重系数；根据所述卷积核中的元素对应于所述不同图像区域的模拟权重系数和所述目标卷积神经网络中的卷积核对所述不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

可选的，所述分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，获得所述卷积核中的元素对应于所述不同图像区域的模拟权重系数，包括：将所述不同图像区域对应的卷积核权重系数和所述卷积核中的元素对应的权重相乘，所述卷积核中的元素对应于所述不同图像区域的模拟权重系数。

可选的，所述图像区域获得单元401，具体用于获得所述待处理图像；对所述待处理图像进行尺度信息提取，获得所述多个尺度信息；根据所述多个尺度信息，获得所述指定尺度信息，并获得所述指定尺度信息在所述待处理图像中对应的图像区域；根据所述指定尺度信息在所述待处理图像中对应的图像区域，获得所述多个图像区域。

第三实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第三实施例还提供了一种电子设备。由于第三实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的第三实施例仅仅是示意性的。

请参照图5，其为本申请实施例中提供的一种电子设备的示意图。

该电子设备，包括：处理器501；

以及存储器502，用于存储图像处理方法的程序，该设备通电并通过所述处理器运行该图像处理方法的程序后，执行如下步骤：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

需要说明的是，本申请第三实施例提供的电子设备的详细描述，可以参考对本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法的相关描述，这里不再赘述。

第四实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第四实施例还提供了一种存储介质。由于第四实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的第四实施例仅仅是示意性的。

该存储介质存储有计算机程序，该计算机程序被处理器运行，执行如下步骤：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

需要说明的是，本申请第四实施例提供的存储介质的详细描述，可以参考对本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法的相关描述，这里不再赘述。

第五实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第五实施例还提供了一种对象计数方法。由于第五实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的第五实施例仅仅是示意性的。

请参照图6，其为本申请第五实施例中提供的一种对象计数方法的流程图。

步骤S601：获得包含目标对象的待处理图像。

本申请第五实施例中，所谓待处理图像为图像中包括至少一个目标对象的图像。所谓目标对象为根据需求预先选定图像中的对象，一般为人物对象、动物对象以及物体对象等。

步骤S602：获得待处理图像对应的多个深度值信息，并获得待处理图像中的多个图像区域，多个图像区域中的不同图像区域分别与多个深度值信息中的指定深度值信息对应。

本申第五实施例中，获得待处理图像对应的多个深度值信息，并获得待处理图像中的多个图像区域的步骤为：先获得待处图像对应的深度值图像，并根据深度值图像，确定待处理图像中的多个深度值信息，再获得多个深度值信息中的指定深度值信息在待处理图像中对应的不同图像区域，并根据多个深度值信息中的指定深度值信息在待处理图像中对应的不同图像区域，获得待处理图像中的多个图像区域。其中，深度值图像可以为预先通过基于深度学习的单目图像深度估计获得的图像，也可以是在获得待处理图像后，再基于深度学习的单目图像深度估计对该待处理图像进行图像深度值提取后获得的图像。

步骤S603：分别根据指定深度值信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。

本申请第五实施例中，所谓目标卷积神经网络为用于对待处理图像进行图像特征提取，以获得待处理图像中有用的图像特征信息的卷积神经网络。所谓卷积核尺寸为卷积核对应的高度尺寸和宽度尺寸，常见的卷积核对应的卷积核尺寸有：3*3、5*5以及7*7等。所谓高斯滤波器用于在对图像进行图像处理时，将该图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均，作为处理后的图像的像素点的像素值。所谓高斯滤波器的标准差用于分配将图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均时不同像素点的权重，标准差越小，则距离目标像素点的其他像素点的权重越小。

步骤S604：分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。

本申请第五实施例中，所谓根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果为：根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的人群密度特征信息。

步骤S605：根据针对不同图像区域的卷积结果，获得目标对象的数目。

本申请第五实施例中，所谓根据针对不同图像区域的卷积结果，获得针对待处理图像的处理结果为：根据针对不同图像区域的人群密度特征信息，获得待处理图像中的人物对象的数目。

第六实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第六实施例还提供了一种对象计数方法。由于第六实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的第六实施例仅仅是示意性的。

请参照图7，其为本申请第六实施例中提供的一种对象计数方法的流程图。

步骤S701：获得包含目标对象的待处理图像。

本申请第六实施例中，所谓待处理图像为图像中包括至少一个目标对象的图像。所谓目标对象为根据需求预先选定图像中的对象，一般为人物对象、动物对象以及物体对象等。

步骤S702：获得待处理图像对应的多个边界框信息，并获得待处理图像中的多个图像区域，多个图像区域中的不同图像区域分别与多个边界框信息中的不同边界框信息对应。

本申第六实施例中，获得待处理图像对应的多个边界框信息，并获得待处理图像中的多个图像区域的步骤为：先获得待处图像对应的边界框图像，并根据边界框像，确定待处理图像中的多个边界框信息，再获得多个边界框信息中的不同边界框信息在待处理图像中对应的不同图像区域，并根据多个边界框信息中的不同边界框信息在待处理图像中对应的不同图像区域，获得待处理图像中的多个图像区域。其中，边界框图像可以为预先通过基于边界框提取网络获得的图像，也可以是在获得待处理图像后，再基于边界框提取网络对该待处理图像进行图像边界框提取后获得的图像。由于多个图像区域是根据不同边界框信息在待处理图像中对应的不同图像区域来获得的图像区域，所以，多个图像区域中的不同图像区域分别与多个尺度信息中的指定尺度信息对应。

步骤S703：分别根据不同边界框信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。

本申请第六实施例中，所谓目标卷积神经网络为用于对待处理图像进行图像特征提取，以获得待处理图像中有用的图像特征信息的卷积神经网络。所谓卷积核尺寸为卷积核对应的高度尺寸和宽度尺寸，常见的卷积核对应的卷积核尺寸有：3*3、5*5以及7*7等。所谓高斯滤波器用于在对图像进行图像处理时，将该图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均，作为处理后的图像的像素点的像素值。所谓高斯滤波器的标准差用于分配将图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均时不同像素点的权重，标准差越小，则距离目标像素点的其他像素点的权重越小。

步骤S704：分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。

本申请第六实施例中，所谓根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果为：根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的边缘特征信息。

步骤S705：根据针对不同图像区域的卷积结果，获得目标对象。

本申请第六实施例中，所谓根据针对不同图像区域的卷积结果，获得针对待处理图像的处理结果为：根据针对不同图像区域的边缘特征信息，获得待处理图像中的人物对象的数目。

第七实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第七实施例还提供了另一种对象计数方法。由于第七实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的第七实施例仅仅是示意性的。

请参照图8，其为本申请第七实施例中提供的一种图像处理方法的流程图。

步骤S801：获得待处理图像对应的至少一个尺度信息，并获得待处理图像中的至少一个图像区域，至少一个图像区域中的不同图像区域分别与至少一个尺度信息中的指定尺度信息对应。

本申请第七实施例中，待处理图像对应的至少一个尺度信息一般为两个或者两个以上不同的尺度信息，也可以仅为一个尺度信息。获得待处理图像对应的至少一个尺度信息，并获得待处理图像中的至少一个图像区域的步骤为：首先，获得待处理图像。其次，对待处理图像进行尺度信息提取，获得至少一个尺度信息。再次，根据至少一个尺度信息，获得指定尺度信息，并获得指定尺度信息在待处理图像中对应的图像区域。最后，根据指定尺度信息在待处理图像中对应的图像区域，获得至少一个图像区域。由于至少一个图像区域是根据不同尺度信息在待处理图像中对应的不同图像区域来获得的图像区域，所以，至少一个图像区域中的不同图像区域分别与至少一个尺度信息中的指定尺度信息对应。

步骤S802：分别根据指定尺度信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数。

本申请第七实施例中，所谓目标卷积神经网络为用于对待处理图像进行图像特征提取，以获得待处理图像中有用的图像特征信息的卷积神经网络。所谓卷积核尺寸为卷积核对应的高度尺寸和宽度尺寸，常见的卷积核对应的卷积核尺寸有：3*3、5*5以及7*7等。所谓高斯滤波器用于在对图像进行图像处理时，将该图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均，作为处理后的图像的像素点的像素值。所谓高斯滤波器的标准差用于分配将图像中的目标像素点的像素值与该目标像素点对应的目标区域中的其他像素点的像素值进行加权平均时不同像素点的权重，标准差越小，则距离目标像素点的其他像素点的权重越小。

步骤S803：分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果。

本申请第七实施例中，所谓根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果为：根据卷积核中的元素对应于不同图像区域的模拟权重系数和目标卷积神经网络中的卷积核对不同图像区域进行卷积处理，获得针对不同图像区域的边缘特征信息。

第八实施例

与本申请提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第八实施例还提供了另一种对象计数方法。由于第八实施例基本相似于应用场景以及第一实施例，所以描述得比较简单，相关之处参见应用场景以及第一实施例的部分说明即可。下述描述的第八实施例仅仅是示意性的。

请参照图9，其为本申请第八实施例中提供的一种图像处理系统的示意图。

该图像处理系统，包括：平台服务端901和用户终端902.

本申请第八实施例中，所谓平台服务端901是指为用户终端902上安装的用于执行本申请提供的图像处理方法的软件平台或者应用平台提供提供服务的计算设备，在具体实现上一般为服务器或者服务器集群。所谓用户终端902是指安装有用于执行本申请提供的图像处理方法的软件平台或者应用平台的计算设备，在具体实现上一般为智能手机、平板电脑、个人计算机等。

本申请第八实施例中，平台服务端901，用于获得用户终端902提供的待处理图像；获得待处理图像对应的多个尺度信息，并获得待处理图像中的多个图像区域，多个图像区域中的不同图像区域分别与多个尺度信息中的指定尺度信息对应；分别根据指定尺度信息，获得不同图像区域对应的卷积核权重系数，不同图像区域对应的卷积核权重系数为不同图像区域针对目标卷积神经网络中的卷积核的权重系数；分别根据不同图像区域对应的卷积核权重系数和目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对不同图像区域的卷积结果；根据针对不同图像区域的卷积结果，获得针对待处理图像的处理结果；将处理结果提供给用户终端902。用户终端902，用于向平台服务端901发送待处理图像；获得平台服务端901发送的处理结果。

另外，在本申请第八实施例中，平台服务端901在获得待处理图像对应的多个尺度信息、待处理图像中的多个图像区域、不同图像区域对应的卷积核权重系数以及针对不同图像区域的卷积结果后，还可以进一步将待处理图像对应的多个尺度信息、待处理图像中的多个图像区域、不同图像区域对应的卷积核权重系数以及针对不同图像区域的卷积结果提供给用户终端902，由用户终端902进行展示。还可以将待处理图像对应的多个尺度信息、待处理图像中的多个图像区域、不同图像区域对应的卷积核权重系数、针对不同图像区域的卷积结果以及处理结果存储在平台服务端901中的存储器中，当平台服务器再次处理同一待处理图像时，即可从存储器中获得存储器中存储的待处理图像对应的多个尺度信息、待处理图像中的多个图像区域、不同图像区域对应的卷积核权重系数、针对不同图像区域的卷积结果以及处理结果，从而能够提高对同一待处理图像的处理速度。本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(Flash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(Transitory Media)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (20)

1.一种图像处理方法，其特征在于，包括：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

2.根据权利要求1所述的图像处理方法，其特征在于，还包括：根据所述针对所述不同图像区域的卷积结果，获得针对所述待处理图像的处理结果。

3.根据权利要求1所述的图像处理方法，其特征在于，所述分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，包括：

获得高斯卷积核的卷积核尺寸与所述卷积核的卷积核尺寸相同的多个高斯滤波器，所述多个高斯滤波器中的每个高斯滤波器分别对应的不同的指定标准差；

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数。

4.根据权利要求3所述的图像处理方法，其特征在于，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述不同图像区域对应的卷积核权重系数，包括：

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定多个高斯滤波器在所述不同图像区域对应的权重值；

根据所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器，获得所述不同图像区域对应的卷积核权重系数。

5.根据权利要求4所述的图像处理方法，其特征在于，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定多个高斯滤波器在所述不同图像区域对应的权重值，包括：

根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述多个高斯滤波器中的每个高斯滤波器与所述不同图像区域的相关程度；

根据所述每个高斯滤波器与所述不同图像区域的相关程度，确定所述每个高斯滤波器在所述不同图像区域对应的权重值。

6.根据权利要求5所述的图像处理方法，其特征在于，所述根据所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器，获得所述不同图像区域对应的卷积核权重系数，包括：根据所述多个高斯滤波器中的每个高斯滤波器在所述不同图像区域对应的权重值和所述每个高斯滤波器，对所述多个高斯滤波器在所述不同图像区域对应的权重值和所述多个高斯滤波器进行加权平均，获得所述不同图像区域对应的卷积核权重系数。

7.根据权利要求5所述的图像处理方法，其特征在于，所述根据所述不同图像区域对应的尺度信息和所述多个高斯滤波器，确定所述多个高斯滤波器中的每个高斯滤波器与所述不同图像区域的相关程度，包括：

获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的第一指定参数，并获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的第二指定参数；

获得所述多个高斯滤波器的数目，并获得所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，所述针对所述多个高斯滤波器的排序为按照所述多个高斯滤波器对应的指定标准差从小到大的顺序对所述多个高斯滤波器进行的排序；

根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，确定所述每个高斯滤波器与所述不同图像区域的相关程度。

8.根据权利要求7所述的图像处理方法，其特征在于，所述不同图像区域对应的尺度信息，包括：所述不同图像区域对应的视度值信息；

所述根据所述第一指定参数、所述第二指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的尺度信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，确定所述每个高斯滤波器与所述不同图像区域的相关程度，包括：

根据所述第一指定参数、所述多个高斯滤波器的数目、所述不同图像区域对应的视度值信息以及所述每个高斯滤波器在针对所述多个高斯滤波器的排序中的序列号，获得用于计算所述每个高斯滤波器与所述不同图像区域的相关程度的目标参数；

根据所述目标参数和所述第二指定参数，计算所述每个高斯滤波器与所述不同图像区域的相关程度。

9.根据权利要求5所述的图像处理方法，其特征在于，所述根据所述每个高斯滤波器与所述不同图像区域的相关程度，确定所述每个高斯滤波器在所述不同图像区域对应的权重值，包括：

根据所述每个高斯滤波器与所述不同图像区域的相关程度，获得所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂；

根据所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂，获得所述多个高斯滤波器与所述不同图像区域的相关程度的指数幂之和；

根据所述每个高斯滤波器与所述不同图像区域的相关程度的指数幂与所述多个高斯滤波器与所述不同图像区域的相关程度的指数幂之和的比例，获得所述每个高斯滤波器在所述不同图像区域对应的权重值。

10.根据权利要求3所述的图像处理方法，其特征在于，还包括：

获得所述卷积核的卷积核尺寸；

根据所述卷积核的卷积核尺寸，确定所述高斯卷积核的卷积核尺寸。

11.根据权利要求1所述的图像处理方法，其特征在于，所述分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果，包括：

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，获得所述卷积核中的元素对应于所述不同图像区域的模拟权重系数；

根据所述卷积核中的元素对应于所述不同图像区域的模拟权重系数和所述目标卷积神经网络中的卷积核对所述不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

12.根据权利要求11所述的图像处理方法，其特征在于，所述分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，获得所述卷积核中的元素对应于所述不同图像区域的模拟权重系数，包括：将所述不同图像区域对应的卷积核权重系数和所述卷积核中的元素对应的权重相乘，所述卷积核中的元素对应于所述不同图像区域的模拟权重系数。

13.根据权利要求1所述的图像处理方法，其特征在于，所述获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，包括：

获得所述待处理图像；

对所述待处理图像进行尺度信息提取，获得所述多个尺度信息；

根据所述多个尺度信息，获得所述指定尺度信息，并获得所述指定尺度信息在所述待处理图像中对应的图像区域；

根据所述指定尺度信息在所述待处理图像中对应的图像区域，获得所述多个图像区域。

14.一种图像处理装置，其特征在于，包括：

图像区域获得单元，用于获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

权重系数获得单元，用于分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

卷积结果获得单元，用于分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

15.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储针对图像处理方法的程序，该设备通电并通过所述处理器运行该图像处理方法的程序后，执行下述步骤：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

16.一种存储介质，其特征在于，存储有针对图像处理方法的程序，该程序被处理器运行，执行下述步骤：

获得待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

17.一种对象计数方法，其特征在于，包括：

获得包含目标对象的待处理图像；

获得待处理图像对应的多个深度值信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个深度值信息中的指定深度值信息对应；

分别根据所述指定深度值信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果；

根据所述针对所述不同图像区域的卷积结果，获得所述目标对象的数目。

18.一种对象检测方法，其特征在于，包括：

获得包含目标对象的待处理图像；

获得待处理图像对应的多个边界框信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个边界框信息中的不同边界框信息对应；

分别根据所述不同边界框信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果；

根据所述针对所述不同图像区域的卷积结果，获得所述目标对象。

19.一种图像处理方法，其特征在于，包括：

获得待处理图像对应的至少一个尺度信息，并获得所述待处理图像中的至少一个图像区域，所述至少一个图像区域中的不同图像区域分别与所述至少一个尺度信息中的指定尺度信息对应；

分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；

分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果。

20.一种图像处理系统，其特征在于，包括：平台服务端和用户终端；

所述平台服务端，用于获得所述用户终端提供的待处理图像；获得所述待处理图像对应的多个尺度信息，并获得所述待处理图像中的多个图像区域，所述多个图像区域中的不同图像区域分别与所述多个尺度信息中的指定尺度信息对应；分别根据所述指定尺度信息，获得不同图像区域对应的卷积核权重系数，所述不同图像区域对应的卷积核权重系数为所述不同图像区域针对目标卷积神经网络中的卷积核的权重系数；分别根据所述不同图像区域对应的卷积核权重系数和所述目标卷积神经网络中的卷积核，对不同图像区域进行卷积处理，获得针对所述不同图像区域的卷积结果；根据所述针对所述不同图像区域的卷积结果，获得针对所述待处理图像的处理结果；将所述处理结果提供给所述用户终端；

所述用户终端，用于向所述平台服务端发送所述待处理图像；获得所述平台服务端发送的处理结果。

Images