CN116310406A - 一种图像检测的方法、装置、存储介质及电子设备 - Google Patents

一种图像检测的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116310406A
CN116310406A CN202310603865.6A CN202310603865A CN116310406A CN 116310406 A CN116310406 A CN 116310406A CN 202310603865 A CN202310603865 A CN 202310603865A CN 116310406 A CN116310406 A CN 116310406A
Authority
CN
China
Prior art keywords
image data
detected
image
target
determining
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.)
Granted
Application number
CN202310603865.6A
Other languages
English (en)
Other versions
CN116310406B (zh
Inventor
张文强
张舟洋
冯晋
杨倩
王朝兴
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 Zhikeyunchuang Digital Technology Co ltd
Original Assignee
Zhejiang Zhikeyunchuang Digital 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 Zhikeyunchuang Digital Technology Co ltd filed Critical Zhejiang Zhikeyunchuang Digital Technology Co ltd
Priority to CN202310603865.6A priority Critical patent/CN116310406B/zh
Publication of CN116310406A publication Critical patent/CN116310406A/zh
Application granted granted Critical
Publication of CN116310406B publication Critical patent/CN116310406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种图像检测的方法、装置、存储介质及电子设备，可以通过图像检测模型的第一识别模块从采集到的待检测图像数据中识别出包含有待检测目标物的图像区域，并且可以将包含有待检测目标物的图像区域裁剪出来，通过第二识别模块从包含有待检测目标物的图像区域中识别出包含有待检测目标物的不同指定部位的图像区域，进而可以分别针对待检测图像数据中包含待检测目标物的不同指定部位的各图像区域进行检测，从而可以提高对待检测图像数据进行图像检测的准确率。

Description

一种图像检测的方法、装置、存储介质及电子设备
技术领域
本说明书涉及图像处理技术领域，尤其涉及一种图像检测的方法、装置、存储介质及电子设备。
背景技术
为了体现企业以及个人的形象和风格，人们在不同的场合中具有不同的着装规范。例如：在企业、学校、政府等场合中，要求员工、学生、公务人员按照相应的着装规范穿着。
通常情况下，如果需要通过机器学习模型对人们的着装是否符合相应的着装规范进行检查时，需要对通过采集设备采集到人们在各个监控场景下的图像进行识别，但是由于通过采集设备采集到的图像除了包含有人的图像外，往往还包含有较为复杂的环境信息，因此，难以通过机器学习模型对人们的着装进行检测。
因此，如何通过学习模型对人们的着装进行检测，则是一个亟待解决的问题。
发明内容
本说明书提供一种图像检测的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种图像检测的方法，
所述方法应用于图像检测模型，所述图像检测模型包括：第一识别模块、第二识别模块、检测模块，所述方法包括：
获取待检测图像数据；
将所述待检测图像数据输入到预先训练的图像检测模型中，以通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据；
通过所述第一识别模块将所述目标图像数据输入到所述第二识别模块，以通过所述第二识别模块针对所述目标图像数据，确定出所述目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像区域；
针对每个子图像数据，通过所述检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据所述相似度对所述待检测图像数据进行图像检测。
可选地，所述第一识别模块中包含：注意力模块；
将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体包括：
将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块，对所述待检测图像数据进行卷积处理，以得到所述待检测图像数据的各图像特征，其中，不同图像特征是在不同通道下对所述待检测图像数据进行卷积得到的，不同通道所使用的卷积核不同；
针对每个图像特征，通过所述注意力模块确定该图像特征对应的通道的权重，并对该图像特征加权得到加权后图像特征；
根据各加权后图像特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，确定各图像特征对应的通道的权重，具体包括：
对所述各图像特征进行融合，以得到所述待检测图像数据对应的全局图像特征，所述全局图像特征中的每个维度的特征对应每个图像特征；
通过所述注意力模块中包含的全连接神经网络，预测出所述全局图像特征中的每个维度的特征的权重，作为各图像特征对应的通道的权重。
可选地，所述第一识别模块包括：卷积层以及至少两个并行池化层，其中，每个并行池化层的感受野不同；
通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体包括：
通过所述第一识别模块的卷积层确定所述待检测图像数据的初始图像特征；
针对每个并行池化层，将所述初始图像特征输入到该并行池化层中，以通过该并行池化层，确定所述待检测图像数据的池化特征；
根据所述待检测图像数据的每个池化特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，根据所述相似度对所述待检测图像数据进行图像检测，所述方法包括：
针对所述待检测图像数据中包含的每个子图像数据，判断该子图像数据和该子图像数据对应的标准图像数据之间的相似度是否超过预设的第一阈值；
若否，则确定该子图像数据为异常子图像数据，并确定所述待检测图像数据为异常图像数据。
可选地，所述方法还包括：
若根据所述相似度对所述待检测图像数据进行图像检测确定所述待检测图像数据为异常图像数据，则对所述异常图像数据中的目标图像数据进行标记，并生成异常告警信息，并将所述异常告警信息发送至用户所使用的设备。
可选地，通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体包括：
通过所述图像检测模型的第一识别模块确定所述待检测图像数据中包含有待检测目标物的概率值；
若所述概率值超过预设的第二阈值，则通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，通过所述第一识别模块将所述目标图像数据输入到第二识别模块之前，所述方法还包括：
针对所述待检测图像数据，通过多轮查询确定所述待检测图像数据对应的各关联图像数据；其中，
针对每轮查询，确定该轮查询中的基础图像数据，获取与所述基础图像数据在时间先后顺序上相邻的下一帧待检测图像数据，作为候选关联图像数据，判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值，若是，则确定所述候选关联图像数据为所述待检测图像数据的关联图像数据，并将所述候选关联图像数据作为下一轮查询中的基础图像数据，所述基础图像数据是将所述待检测图像数据迭代至上一轮查询后得到的；
当确定满足预设的终止条件时，得到所述待检测图像数据对应的关联图像数据；
通过所述第一识别模块将所述目标图像数据输入到第二识别模块，具体包括：
从所述待检测图像数据和所述待检测图像数据的各关联图像数据中确定出包含有待检测目标的概率值最高的图像数据，作为目标待检测图像数据；
通过所述第一识别模块将所述目标待检测图像数据中包含的目标图像数据输入到第二识别模块。
可选地，判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值之前，所述方法还包括：
判断采集所述基础图像数据的时间与采集所述候选关联图像数据的时间之间的差值是否超过预设的时间阈值；
判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值，具体包括：
若所述差值未超过预设的时间阈值，则判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值。
本说明书提供了一种图像检测的装置，包括：
获取模块，用于获取待检测图像数据；
目标识别模块，用于将所述待检测图像数据输入到预先训练的图像检测模型中，以通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据；
部位识别模块，用于通过所述第一识别模块将所述目标图像数据输入到第二识别模块，以通过所述第二识别模块针对所述目标图像数据，确定出所述目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像；
检测模块，用于针对每个子图像数据，通过检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据所述相似度对所述待检测图像数据进行图像检测。
可选地，所述第一识别模块中包含：注意力模块；
所述目标识别模块具体用于，将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块，对所述待检测图像数据进行卷积处理，以得到所述待检测图像数据的各图像特征，其中，不同图像特征是在不同通道下对所述待检测图像数据进行卷积得到的，不同通道所使用的卷积核不同；针对每个图像特征，通过所述注意力模块确定该图像特征对应的通道的权重，并对该图像特征加权得到加权后图像特征；根据各加权后图像特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，所述目标识别模块具体用于，对所述各图像特征进行融合，以得到所述待检测图像数据对应的全局图像特征，所述全局图像特征中的每个维度的特征对应每个图像特征；将所述全局图像特征输入到所述注意力模块中预设的全连接层中，以通过所述全连接层，确定每个图像特征对应的通道的权重。
可选地，所述第一识别模块包括：卷积层以及至少两个并行池化层，其中，每个并行池化层的感受野不同；
所述目标识别模块具体用于，通过所述第一识别模块的卷积层确定所述待检测图像数据的初始图像特征；针对每个并行池化层，将所述初始图像特征输入到该并行池化层中，以通过该并行池化层，确定所述待检测图像数据的池化特征；根据所述待检测图像数据的每个池化特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像检测的方法。
本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述图像检测的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的图像检测的方法中，首先获取待检测图像数据，将待检测图像数据输入到预先训练的图像检测模型中，以通过图像检测模型的第一识别模块从待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，通过第一识别模块将目标图像数据输入到第二识别模块，以通过第二识别模块针对目标图像数据，确定出目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像，针对每个子图像数据，通过检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据相似度对待检测图像数据进行图像检测。
从上述方法可以看出，可以通过图像检测模型的第一识别模块从采集到的待检测图像数据中识别出包含有待检测目标物的图像区域，并且可以将包含有待检测目标物的图像区域裁剪出来，通过第二识别模块从包含有待检测目标物的图像区域中识别出包含有待检测目标物的不同指定部位的图像区域，进而可以分别针对待检测图像数据中包含待检测目标物的不同指定部位的各图像区域进行检测，从而可以提高对待检测图像数据进行图像检测的准确率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种图像检测的方法的流程示意图；
图2为本说明书中提供的注意力模块的示意图；
图3为本说明书中提供各并行池化层的示意图；
图4为本说明书提供的一种图像检测的装置的示意图；
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种图像检测的方法的流程示意图，包括以下步骤：
S101：获取待检测图像数据。
在本说明书中，业务平台可以通过布置在各个场景中的图像采集设备采集包含有待检测目标物的待检测图像数据，进而可以根据采集到的待检测图像数据，对待检测目标物进行检测。
例如：在学校场景中，需要对学生的着装进行检测，此时，学生即为待检测目标物，业务平台可以通过布置在学校的图像采集设备采集学生的图像数据作为待检测图像数据，进而可以根据采集到的待检测图像数据，对学生的着装进行检测。
上述内容中，图像采集设备可以是摄像头，摄像机，相机，扫描仪，其他带有拍照功能的设备（手机、平板电脑等）。
需要说明的是，在实际应用场景中，业务平台通过图像采集设备采集到的往往为视频数据，此时，业务平台可以通过预设的图像转换工具，将采集到的视频数据转换为待检测图像数据，这里的图像转换工具可以是例如： imageio图像库函数。
在本说明书中，用于执行图像检测的方法的执行主体，可以是指服务器等设置于业务平台的指定设备，也可以是指诸如台式电脑、笔记本电脑、手机等指定设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的图像检测的方法进行说明。
S102：将所述待检测图像数据输入到预先训练的图像检测模型中，以通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
进一步地，服务器在获取到待检测图像数据后，可以将待检测图像数据输入到预先训练的图像检测模型中，以通过图像检测模型的第一识别模块从待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
例如：在对学生进行着装检测时，可以从采集到的待检测图像数据中，确定包含有学生的图像区域，作为目标图像数据。
上述内容中，图像检测模块包含：第一识别模块、第二识别模块、检测模块，跟踪模块，其中，第一识别模块包含：注意力模块，至少一个卷积层以及至少两个并行池化层，其中，不同的并行池化层的感受野（感受野是指特征图上的某个点能看到的输入的图像数据的区域,即特征图上的点是由输入的图像数据中感受野大小区域的计算得到的）不同。
具体地，服务器可以将待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块，对待检测图像数据进行卷积处理，以得到待检测图像数据的各图像特征（即通过卷积层对待检测图像数据进行卷积处理后得到的特征图），其中，不同图像特征是在不同通道下对待检测图像数据进行卷积得到的，不同通道所使用的卷积核不同。针对每个图像特征，通过注意力模块确定该图像特征对应的通道的权重，并对该图像特征加权得到加权后图像特征，并根据各加权后图像特征，从待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
需要说明的是，由于通过第一识别模块的不同通道提取出的图像特征的重要程度不同，因此，服务器可以针对每个图像特征对应的通道，确定每个通道对应的权重，进而可以提升重要性高的通道的特征的关注，以对不重要的通道的特征进行抑制。例如：图像可以包含有RGB（即红Red，绿Green，蓝Blue）三种颜色通道，而在处理包含有较多绿色信息的图像时，可以给予绿色通道的特征一个较高的权重，进而可以提升对图像进行处理的准确率。
其中，服务器确定每个图像特征对应的通道的权重的方法可以为，通过注意力模块对各图像特征进行融合，以得到待检测图像数据对应的全局图像特征，其中，全局图像特征中的每个维度的特征对应每个图像特征，进而可以通过注意力模块中包含的全连接神经网络，预测出全局图像特征中的每个维度的特征的权重，作为各图像特征对应的通道的权重，其中，上述的注意力模块如图2所示。
图2为本说明书中提供的注意力模块的示意图。
结合图2可以看出，服务器在获取到卷积层输出的各图像特征后（即大小为H*W*C的特征，其中，H为每个图像特征的高，W为每个图像特征的宽，C为各图像特征对应的通道数），可以针对每个图像特征，通过平均池化，将该通道的图像特征进行压缩（Fsq，Squeeze）操作，得到用于表征该图像特征的一个实数，进而可以将各图像特征对应的实数作为全局图像特征中的每个维度的特征，即将各图像特征压缩为大小为1*1*C的全局图像特征。
进一步地，服务器可以通过注意力模块中包含的全连接神经网络，对确定出的全局图像特征进行非线性变换（Fex，Excitation）操作，以得到变换后的全局图像特征，进而可以将变换后的全局图像特征中的每个维度的值，作为该维度对应的通道的权重。进而可以对各图像特征进行加权融合，得到各加权后图像特征。
进一步地，服务器还可以将通过第一识别模块的卷积层确定待检测图像数据的各图像特征，作为各初始图像特征，进而可以针对预设的每个并行池化层，将每个初始图像特征输入到该并行池化层中，以通过该并行池化层，确定待检测图像数据的各池化特征，根据待检测图像数据的每个池化特征，从待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体如图3所示。
图3为本说明书中提供各并行池化层的示意图。
结合图3可以看出，上述的各并行池化层可以为感受野大小分别为3×3，5×5，7×7，9×9和13×13的五个并行池化层组成，其中，针对每个并行池化层，该并行池化层可以对输入的初始图像特征进行池化处理，以得到输入的初始图像特征对应的各池化特征。进而可以对输入的初始图像特征的各池化特征进行融合，得到输入的初始图像特征的融合池化特征，进而可以根据输入的初始图像特征的融合池化特征，从待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
从上所述内容中可以看出，可以通过具有不同感受野的并行池化层，对通过卷积层提取出初始图像特征进行池化处理，进而可以使得第一识别模块能够根据不同尺度的池化特征，对待检测图像数据进行识别，从而可以提升对待检测图像数据进行识别的准确率。
另外，服务器还可以通过图像检测模型的第一识别模块确定待检测图像数据中包含有待检测目标物的概率值，若确定出的待检测图像数据中包含有待检测目标物的概率值超过预设的第二阈值，则通过图像检测模型的第一识别模块从待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
S103：通过所述第一识别模块将所述目标图像数据输入到所述第二识别模块，以通过所述第二识别模块针对所述目标图像数据，确定出所述目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像区域。
进一步地，服务器在确定出目标图像数据后，可以通过第一识别模块将目标图像数据输入到第二识别模块，以通过第二识别模块针对目标图像数据，确定出目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像区域，这里的指定部位可以根据实际需要设置，例如：若待检测目标物为学生，则这里的指定部位可以为头、脸、上体、腰、手、腿、脚等身体部位。
需要说明的是，上述的第二识别模块的结构与上述的第一识别模块的结构相同，但是，训练第二识别模块所使用的数据集与训练上述的第一识别模块所使用的数据集不同，得到的输出结果也不同。
在实际应用场景中，可能存在一个人持续在多个待检测图像数据中存在，进而导致重复对这个人进行检测的情况发生，因此，服务器在将目标图像数据输入到第二识别模块之前，还可以通过图像检测模块中预设的跟踪模块，对通过第一识别模块确定出的包含有每个待检测目标物的目标图像数据进行跟踪，以避免再次对该目标图像数据进行检测。
具体地，服务器可以通过跟踪模块针对待检测图像数据，通过多轮查询确定待检测图像数据对应的各关联图像数据。
其中，针对每轮查询，确定该轮查询中的基础图像数据，获取与基础图像数据在时间先后顺序上相邻的下一帧待检测图像数据，作为候选关联图像数据，判断基础图像数据中包含的目标图像数据与候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值，若是，则确定候选关联图像数据为待检测图像数据的关联图像数据，并将候选关联图像数据作为下一轮查询中的基础图像数据，上述的基础图像数据是将待检测图像数据迭代至上一轮查询后得到的。
需要说明的是，服务器还可以根据基础图像数据中包含的目标图像数据与候选关联图像数据中包含的目标图像数据之间的重合区域的面积占基础图像数据中包含的目标图像数据和候选关联图像数据除去重合区域的面积之外的所有面积的比值（即交并比）是否超过预设的交并比阈值，来确定该候选关联图像数据为待检测图像数据的关联图像数据。
另外，由于在实际应用场景中可能会由于诸如：图像采集设备异常，第一识别模块识别遗漏等原因，导致按照时间先后顺序排列的连续的多帧各待检测图像数据中可能存在中间几帧待检测图像数据不包含与其他帧待检测图像数据同样的待检测目标物的情况发生，例如：假设存在10帧待检测图像数据，其中，第一帧到第五帧待检测图像数据中均包含有待检测目标物A，而第六帧到第七帧却不包含待检测目标物A，第八帧到第十帧依旧包含有待检测目标物A。
因此，跟踪模块在一轮查询中确定候选关联图像数据，判断基础图像数据中包含的目标图像数据与候选关联图像数据中包含的目标图像数据之间的重合区域的面积未超过预设的第三阈值时，则确定该轮查询中的基础图像数据作为下一轮查询中的基础图像数据。
进一步地，当确定满足预设的终止条件时，得到待检测图像数据对应的关联图像数据。这里的终止条件可以根据实际需求设置，例如：当查询轮数满足最大轮数后终止。
除此之外，服务器还可以在判断基础图像数据中包含的目标图像数据与候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值之前，判断采集基础图像数据的时间与采集候选关联图像数据的时间之间的差值是否超过预设的时间阈值，若确定出的差值未超过预设的时间阈值，则判断基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值。
需要说明的是，若采集基础图像数据的时间与采集候选关联图像数据的时间之间的差值超过预设的时间阈值，则说明可能并不是因为上述原因而导致在时间先后顺序上相邻的两帧待检测图像数据中未包含有相同的待检测目标物，此时，则需要将该候选关联图像数据作为新的待检测图像数据进行处理。
当然，服务器还可以根据基础图像数据中包含的目标图像数据与候选关联图像数据中包含的目标图像数据之间的交并比，以及采集基础图像数据的时间与采集候选关联图像数据的时间之间的差值，确定候选关联图像数据对应的综合评分，并判断候选关联图像数据对应的综合评分是否超过预设的评分阈值，若是，则确定候选关联图像数据为待检测图像数据对应的关联图像数据。
进一步地，当服务器确定待检测图像数据对应的各关联图像数据后，可以从待检测图像数据和待检测图像数据的各关联图像数据中确定出包含有待检测目标的概率值最高的图像数据，作为目标待检测图像数据，通过第一识别模块将目标待检测图像数据中包含的目标图像数据输入到第二识别模块。
S104：针对每个子图像数据，通过所述检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据所述相似度对所述待检测图像数据进行图像检测。
服务器在确定待检测图像数据中包含的各子图像数据后，可以通过检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据确定出的相似度对待检测图像数据进行图像检测。
具体地，服务器可以针对待检测图像数据中包含的每个子图像数据，判断该子图像数据和该子图像数据对应的标准图像数据之间的相似度是否超过预设的第一阈值，若否，则确定该子图像数据为异常子图像数据，并确定待检测图像数据为异常图像数据。
另外，若根据确定出的相似度对待检测图像数据进行图像检测确定待检测图像数据为异常图像数据，则服务器还可以对异常图像数据中的目标图像数据进行标记，并生成异常告警信息，进而可以将异常告警信息发送至用户所使用的设备。
需要说明的是，上述的图像检测模型中包含的第一识别模块、第二识别模块、检测模块、跟踪模块可以是图像检测模型中的不同模块，也可以是单独的模型。
值得说明的是，上述图像检测模型在部署到服务器之前，需要对图像检测模型进行训练后，方可部署到服务器中。服务器训练图像检测模型的方法可以是，获取各样本视频数据，其中，样本视频数据可以是包含有不同场景，不同时间的样本视频数据。针对每个样本视频数据，通过预设的图像转换工具将该样本视频数据转换为各样本待检测图像数据，将每个样本待检测图像数据输入到图像检测模型中，得到图像检测模型针对每个样本待检测图像数据的检测结果，以最小化图像检测模型输出的每个样本待检测图像数据的检测结果和每个样本待检测图像数据的实际检测结果之间的偏差，对图像检测模型进行训练。
从上述方法可以看出，可以通过图像检测模型的第一识别模块从采集到的待检测图像数据中识别出包含有待检测目标物的图像区域，并且可以将包含有待检测目标物的图像区域裁剪出来，通过第二识别模块从包含有待检测目标物的图像区域中识别出包含有待检测目标物的不同指定部位的图像区域，进而可以分别针对待检测图像数据中包含待检测目标物的不同指定部位的各图像区域进行检测，从而可以提高对待检测图像数据进行图像检测的准确率。
以上为本说明书的一个或多个实施图像检测的方法，基于同样的思路，本说明书还提供了相应的图像检测的装置，如图4所示。
图4为本说明书提供的一种图像检测的装置的示意图，包括：
获取模块401，用于获取待检测图像数据；
目标识别模块402，用于将所述待检测图像数据输入到预先训练的图像检测模型中，以通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据；
部位识别模块403，用于通过所述第一识别模块将所述目标图像数据输入到第二识别模块，以通过所述第二识别模块针对所述目标图像数据，确定出所述目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像；
检测模块404，用于针对每个子图像数据，通过检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据所述相似度对所述待检测图像数据进行图像检测。
可选地，所述第一识别模块402中包含：注意力模块；
所述目标识别模块402具体用于，将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块，对所述待检测图像数据进行卷积处理，以得到所述待检测图像数据的各图像特征，其中，不同图像特征是在不同通道下对所述待检测图像数据进行卷积得到的，不同通道所使用的卷积核不同；针对每个图像特征，通过所述注意力模块确定该图像特征对应的通道的权重，并对该图像特征加权得到加权后图像特征；根据各加权后图像特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，所述目标识别模块402具体用于，对所述各图像特征进行融合，以得到所述待检测图像数据对应的全局图像特征，所述全局图像特征中的每个维度的特征对应每个图像特征；将所述全局图像特征输入到所述注意力模块中预设的全连接层中，以通过所述全连接层，确定每个图像特征对应的通道的权重。
可选地，所述第一识别模块包括：卷积层以及至少两个并行池化层，其中，每个并行池化层的感受野不同；
所述目标识别模块402具体用于，通过所述第一识别模块的卷积层确定所述待检测图像数据的初始图像特征；针对每个并行池化层，将所述初始图像特征输入到该并行池化层中，以通过该并行池化层，确定所述待检测图像数据的池化特征；根据所述待检测图像数据的每个池化特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，所述第一识别模块包括：卷积层以及至少两个并行池化层，其中，每个并行池化层的感受野不同；
所述目标识别模块402具体用于，通过所述第一识别模块的卷积层确定所述待检测图像数据的初始图像特征；针对每个并行池化层，将所述初始图像特征输入到该并行池化层中，以通过该并行池化层，确定所述待检测图像数据的池化特征；根据所述待检测图像数据的每个池化特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，所述检测模块404具体用于，针对所述待检测图像数据中包含的每个子图像数据，判断该子图像数据和该子图像数据对应的标准图像数据之间的相似度是否超过预设的第一阈值；若否，则确定该子图像数据为异常子图像数据，并确定所述待检测图像数据为异常图像数据。
可选地，所述检测模块404还用于，若根据所述相似度对所述待检测图像数据进行图像检测确定所述待检测图像数据为异常图像数据，则对所述异常图像数据中的目标图像数据进行标记，并生成异常告警信息，并将所述异常告警信息发送至用户所使用的设备。
可选地，所述目标识别模块402具体用于，通过所述图像检测模型的第一识别模块确定所述待检测图像数据中包含有待检测目标物的概率值；若所述概率值超过预设的第二阈值，则通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
可选地，所述目标识别模块402具体用于，针对所述待检测图像数据，通过多轮查询确定所述待检测图像数据对应的各关联图像数据；其中，针对每轮查询，确定该轮查询中的基础图像数据，获取与所述基础图像数据在时间先后顺序上相邻的下一帧待检测图像数据，作为候选关联图像数据，判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值，若是，则确定所述候选关联图像数据为所述待检测图像数据的关联图像数据，并将所述候选关联图像数据作为下一轮查询中的基础图像数据，所述基础图像数据是将所述待检测图像数据迭代至上一轮查询后得到的；当确定满足预设的终止条件时，得到所述待检测图像数据对应的关联图像数据；从所述待检测图像数据和所述待检测图像数据的各关联图像数据中确定出包含有待检测目标的概率值最高的图像数据，作为目标待检测图像数据；通过所述第一识别模块将所述目标待检测图像数据中包含的目标图像数据输入到第二识别模块。
可选地，所述目标识别模块402具体用于，判断采集所述基础图像数据的时间与采集所述候选关联图像数据的时间之间的差值是否超过预设的时间阈值；若所述差值未超过预设的时间阈值，则判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种图像检测的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的图像检测的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
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。
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暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (15)

1.一种图像检测的方法，其特征在于，所述方法应用于图像检测模型，所述图像检测模型包括：第一识别模块、第二识别模块、检测模块，所述方法包括：
获取待检测图像数据；
将所述待检测图像数据输入到预先训练的图像检测模型中，以通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据；
通过所述第一识别模块将所述目标图像数据输入到所述第二识别模块，以通过所述第二识别模块针对所述目标图像数据，确定出所述目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像区域；
针对每个子图像数据，通过所述检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据所述相似度对所述待检测图像数据进行图像检测。
2.如权利要求1所述的方法，其特征在于，所述第一识别模块中包含：注意力模块；
将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体包括：
将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块，对所述待检测图像数据进行卷积处理，以得到所述待检测图像数据的各图像特征，其中，不同图像特征是在不同通道下对所述待检测图像数据进行卷积得到的，不同通道所使用的卷积核不同；
针对每个图像特征，通过所述注意力模块确定该图像特征对应的通道的权重，并对该图像特征加权得到加权后图像特征；
根据各加权后图像特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
3.如权利要求2所述的方法，其特征在于，确定各图像特征对应的通道的权重，具体包括：
对所述各图像特征进行融合，以得到所述待检测图像数据对应的全局图像特征，所述全局图像特征中的每个维度的特征对应每个图像特征；
通过所述注意力模块中包含的全连接神经网络，预测出所述全局图像特征中的每个维度的特征的权重，作为各图像特征对应的通道的权重。
4.如权利要求1所述的方法，其特征在于，所述第一识别模块包括：卷积层以及至少两个并行池化层，其中，每个并行池化层的感受野不同；
通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体包括：
通过所述第一识别模块的卷积层确定所述待检测图像数据的初始图像特征；
针对每个并行池化层，将所述初始图像特征输入到该并行池化层中，以通过该并行池化层，确定所述待检测图像数据的池化特征；
根据所述待检测图像数据的每个池化特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
5.如权利要求1所述的方法，其特征在于，根据所述相似度对所述待检测图像数据进行图像检测，所述方法包括：
针对所述待检测图像数据中包含的每个子图像数据，判断该子图像数据和该子图像数据对应的标准图像数据之间的相似度是否超过预设的第一阈值；
若否，则确定该子图像数据为异常子图像数据，并确定所述待检测图像数据为异常图像数据。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
若根据所述相似度对所述待检测图像数据进行图像检测确定所述待检测图像数据为异常图像数据，则对所述异常图像数据中的目标图像数据进行标记，并生成异常告警信息，并将所述异常告警信息发送至用户所使用的设备。
7.如权利要求1所述的方法，其特征在于，通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据，具体包括：
通过所述图像检测模型的第一识别模块确定所述待检测图像数据中包含有待检测目标物的概率值；
若所述概率值超过预设的第二阈值，则通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
8.如权利要求1所述的方法，其特征在于，通过所述第一识别模块将所述目标图像数据输入到第二识别模块之前，所述方法还包括：
针对所述待检测图像数据，通过多轮查询确定所述待检测图像数据对应的各关联图像数据；其中，
针对每轮查询，确定该轮查询中的基础图像数据，获取与所述基础图像数据在时间先后顺序上相邻的下一帧待检测图像数据，作为候选关联图像数据，判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值，若是，则确定所述候选关联图像数据为所述待检测图像数据的关联图像数据，并将所述候选关联图像数据作为下一轮查询中的基础图像数据，所述基础图像数据是将所述待检测图像数据迭代至上一轮查询后得到的；
当确定满足预设的终止条件时，得到所述待检测图像数据对应的关联图像数据；
通过所述第一识别模块将所述目标图像数据输入到第二识别模块，具体包括：
从所述待检测图像数据和所述待检测图像数据的各关联图像数据中确定出包含有待检测目标的概率值最高的图像数据，作为目标待检测图像数据；
通过所述第一识别模块将所述目标待检测图像数据中包含的目标图像数据输入到第二识别模块。
9.如权利要求8所述的方法，其特征在于，判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值之前，所述方法还包括：
判断采集所述基础图像数据的时间与采集所述候选关联图像数据的时间之间的差值是否超过预设的时间阈值；
判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值，具体包括：
若所述差值未超过预设的时间阈值，则判断所述基础图像数据中包含的目标图像数据与所述候选关联图像数据中包含的目标图像数据之间的重合区域的面积是否超过预设的第三阈值。
10.一种图像检测的装置，其特征在于，包括：
获取模块，用于获取待检测图像数据；
目标识别模块，用于将所述待检测图像数据输入到预先训练的图像检测模型中，以通过所述图像检测模型的第一识别模块从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据；
部位识别模块，用于通过所述第一识别模块将所述目标图像数据输入到第二识别模块，以通过所述第二识别模块针对所述目标图像数据，确定出所述目标图像数据中包含的各子图像数据，其中，不同子图像数据中包含有待检测目标物的不同指定部位的图像；
检测模块，用于针对每个子图像数据，通过检测模块确定该子图像数据和该子图像数据对应的标准图像数据之间的相似度，并根据所述相似度对所述待检测图像数据进行图像检测。
11.如权利要求10所述的装置，其特征在于，所述第一识别模块中包含：注意力模块；
所述目标识别模块具体用于，将所述待检测图像数据输入到预先训练的图像检测模型中，通过所述图像检测模型的第一识别模块，对所述待检测图像数据进行卷积处理，以得到所述待检测图像数据的各图像特征，其中，不同图像特征是在不同通道下对所述待检测图像数据进行卷积得到的，不同通道所使用的卷积核不同；针对每个图像特征，通过所述注意力模块确定该图像特征对应的通道的权重，并对该图像特征加权得到加权后图像特征；根据各加权后图像特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
12.如权利要求11所述的装置，其特征在于，所述目标识别模块具体用于，对所述各图像特征进行融合，以得到所述待检测图像数据对应的全局图像特征，所述全局图像特征中的每个维度的特征对应每个图像特征；将所述全局图像特征输入到所述注意力模块中预设的全连接层中，以通过所述全连接层，确定每个图像特征对应的通道的权重。
13.如权利要求11所述的装置，其特征在于，所述第一识别模块包括：卷积层以及至少两个并行池化层，其中，每个并行池化层的感受野不同；
所述目标识别模块具体用于，通过所述第一识别模块的卷积层确定所述待检测图像数据的初始图像特征；针对每个并行池化层，将所述初始图像特征输入到该并行池化层中，以通过该并行池化层，确定所述待检测图像数据的池化特征；根据所述待检测图像数据的每个池化特征，从所述待检测图像数据中确定出包含有待检测目标物的图像区域，作为目标图像数据。
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~9任一项所述的方法。
15.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1~9任一项所述的方法。
CN202310603865.6A 2023-05-22 2023-05-22 一种图像检测的方法、装置、存储介质及电子设备 Active CN116310406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310603865.6A CN116310406B (zh) 2023-05-22 2023-05-22 一种图像检测的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310603865.6A CN116310406B (zh) 2023-05-22 2023-05-22 一种图像检测的方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN116310406A true CN116310406A (zh) 2023-06-23
CN116310406B CN116310406B (zh) 2023-08-11

Family

ID=86787380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310603865.6A Active CN116310406B (zh) 2023-05-22 2023-05-22 一种图像检测的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116310406B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017203262A2 (en) * 2016-05-25 2017-11-30 Metail Limited Method and system for predicting garment attributes using deep learning
US10503775B1 (en) * 2016-12-28 2019-12-10 Shutterstock, Inc. Composition aware image querying
WO2020118618A1 (zh) * 2018-12-13 2020-06-18 深圳先进技术研究院 一种乳腺肿块图像识别方法及装置
WO2020168814A1 (zh) * 2019-02-18 2020-08-27 北京京东尚科信息技术有限公司 服饰识别、分类及检索的方法、装置、设备及存储介质
WO2020253416A1 (zh) * 2019-06-17 2020-12-24 华为技术有限公司 物体检测方法、装置和计算机存储介质
US20210117687A1 (en) * 2019-10-22 2021-04-22 Sensetime International Pte. Ltd. Image processing method, image processing device, and storage medium
US11055566B1 (en) * 2020-03-12 2021-07-06 Adobe Inc. Utilizing a large-scale object detector to automatically select objects in digital images
CN113887608A (zh) * 2021-09-28 2022-01-04 北京三快在线科技有限公司 一种模型训练的方法、图像检测的方法及装置
US20220004935A1 (en) * 2021-09-22 2022-01-06 Intel Corporation Ensemble learning for deep feature defect detection
US20220004904A1 (en) * 2021-09-22 2022-01-06 Intel Corporation Deepfake detection models utilizing subject-specific libraries
CN114638973A (zh) * 2022-03-30 2022-06-17 苏州科达科技股份有限公司 目标图像检测方法及图像检测模型训练方法
CN114663670A (zh) * 2022-03-25 2022-06-24 腾讯科技（上海）有限公司 一种图像检测方法、装置、电子设备及存储介质
CN114863206A (zh) * 2022-04-11 2022-08-05 北京三快在线科技有限公司 一种模型训练的方法、目标检测的方法及装置
WO2023272495A1 (zh) * 2021-06-29 2023-01-05 京东方科技集团股份有限公司 徽标标注方法及装置、徽标检测模型更新方法及系统、存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017203262A2 (en) * 2016-05-25 2017-11-30 Metail Limited Method and system for predicting garment attributes using deep learning
US10503775B1 (en) * 2016-12-28 2019-12-10 Shutterstock, Inc. Composition aware image querying
WO2020118618A1 (zh) * 2018-12-13 2020-06-18 深圳先进技术研究院 一种乳腺肿块图像识别方法及装置
WO2020168814A1 (zh) * 2019-02-18 2020-08-27 北京京东尚科信息技术有限公司 服饰识别、分类及检索的方法、装置、设备及存储介质
WO2020253416A1 (zh) * 2019-06-17 2020-12-24 华为技术有限公司 物体检测方法、装置和计算机存储介质
US20210117687A1 (en) * 2019-10-22 2021-04-22 Sensetime International Pte. Ltd. Image processing method, image processing device, and storage medium
US11055566B1 (en) * 2020-03-12 2021-07-06 Adobe Inc. Utilizing a large-scale object detector to automatically select objects in digital images
WO2023272495A1 (zh) * 2021-06-29 2023-01-05 京东方科技集团股份有限公司 徽标标注方法及装置、徽标检测模型更新方法及系统、存储介质
US20220004935A1 (en) * 2021-09-22 2022-01-06 Intel Corporation Ensemble learning for deep feature defect detection
US20220004904A1 (en) * 2021-09-22 2022-01-06 Intel Corporation Deepfake detection models utilizing subject-specific libraries
CN113887608A (zh) * 2021-09-28 2022-01-04 北京三快在线科技有限公司 一种模型训练的方法、图像检测的方法及装置
CN114663670A (zh) * 2022-03-25 2022-06-24 腾讯科技（上海）有限公司 一种图像检测方法、装置、电子设备及存储介质
CN114638973A (zh) * 2022-03-30 2022-06-17 苏州科达科技股份有限公司 目标图像检测方法及图像检测模型训练方法
CN114863206A (zh) * 2022-04-11 2022-08-05 北京三快在线科技有限公司 一种模型训练的方法、目标检测的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛雪宇;彭艳兵;: "增量角度域损失和多特征融合的地标识别", 中国图象图形学报, no. 08 *

Also Published As

Publication number Publication date
CN116310406B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
CN112016475B (zh) 一种人体检测识别方法和装置
CN113887608B (zh) 一种模型训练的方法、图像检测的方法及装置
CN112784857B (zh) 一种模型训练以及图像处理方法及装置
KR20220054657A (ko) 인터랙션 관계 인식 방법, 장치, 기기 및 저장 매체
CN115600157B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN114638980B (zh) 菜品种类识别处理方法及装置
CN115618964B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116152933A (zh) 一种异常检测模型的训练方法、装置、设备及存储介质
CN112329616A (zh) 目标检测方法、装置、设备以及存储介质
CN114998962A (zh) 一种活体检测以及模型训练方法及装置
CN112464827B (zh) 口罩佩戴识别方法、装置、设备及存储介质
CN117541963A (zh) 包含文本风险的关键视频帧提取方法及装置
CN117392688A (zh) 一种图像分类的方法、装置、存储介质以及电子设备
CN116310406B (zh) 一种图像检测的方法、装置、存储介质及电子设备
CN116958873A (zh) 行人跟踪方法、装置、电子设备及可读存储介质
CN116052250A (zh) 一种检测模型的训练方法、装置、设备及存储介质
CN115131570B (zh) 图像特征提取模型的训练方法、图像检索方法及相关设备
CN116204838A (zh) 一种异常业务识别的方法、装置、存储介质及电子设备
CN112734851B (zh) 一种位姿确定的方法以及装置
CN113673436A (zh) 一种行为识别、模型训练的方法及装置
CN118015316B (zh) 一种图像匹配模型训练的方法、装置、存储介质、设备
CN116188919B (zh) 一种测试方法、装置、可读存储介质及电子设备
CN117746193B (zh) 一种标签优化方法、装置、存储介质及电子设备
CN115661584B (zh) 一种模型训练方法、开放域目标检测方法及相关装置

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
GR01 Patent grant
GR01 Patent grant