对象分析方法、局部图像搜索方法、设备及存储介质与流程

本申请涉及一种对象分析方法、局部图像搜索方法、计算机设备及存储介质，属于计算机技术领域。

背景技术：

随着监控技术的发展，目前可以实现从视频中快速定位到某些需要特定关注的目标，从而对目标进行分析。比如：检测视频中的人脸区域、车牌区域等进行分析。

目前，对象分析的方法包括：使用对象检测算法对采集到的对象图像进行检测，得到对象检测框，该对象检测框用于指示对象图像中对象所在的位置。

然而，现有的对象检测算法得到的对象检测框通常包括较多的图像背景信息，确定出的对象区域并不准确。

技术实现要素：

本申请提供了一种对象分析方法、局部图像搜索方法、计算机设备及存储介质，可以解决通过对象检测算法得到的对象检测框包括较多的图像背景信息，确定出的对象区域并不准确的问题。本申请提供如下技术方案：

第一方面，提供了一种对象分析方法，所述方法包括：

获取对象图像；

将所述对象图像输入预先训练的局部区域获取模型中，得到所述对象图像中的各个局部区域；所述局部区域获取模型是基于mask分割网络模型训练得到的；

获取每个局部区域对应的局部图像；

将所述各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息。

可选地，所述获取所述每个局部区域对应的局部图像，包括：

确定每个局部区域的外接矩形；

从所述对象图像中抠取所述外接矩形，得到所述局部图像。

可选地，所述确定每个局部区域的外接矩形之前，包括:

对每个局部区域进行连通域分析，得到连通后的局部区域，所述连通后的局部区域是用于确定所述外接矩形的局部区域。

可选地，所述局部区域获取模型是基于样本对象图像对mask分割网络模型进行训练得到的；所述样本对象图像包括基础图像和扩展图像；所述扩展图像为对所述基础图像进行预处理得到的；其中，所述预处理包括：缩放操作、镜像操作、旋转操作和平移操作中的至少一种。

可选地，所述mask分割网络模型包括：

卷积神经网络cnn，用于对输入的图像进行特征提取；

与所述cnn相连的特征金字塔网络fpn，用于自下而上地对所述cnn中每层输出的特征进行处理，得到多层特征数据；之后至上而下地结合上层特征数据和本层特征数据进行联合处理，得到多个尺度不同的建议窗口；将所述多个尺度不同的建议窗口映射至所述cnn的最后一层特征图中，得到感兴趣区域roi；

感兴趣区域对齐roialign层，用于使用双线性内插值算法将各个roi缩放至预设尺寸；

掩码预测层，用于识别每个预设尺寸的roi的边界框，并进行掩码预测，得到所述局部区域。

可选地，所述区域分析模型包括多个任务分支，每个任务分支对应一个局部图像，每个任务分支包括特征提取层和属性分析层，所述特征提取层用于提取所述特征信息，所述属性分析层用于提取所述属性信息。

可选地，所述将所述各个局部图像输入所述预先训练的区域分析模型中，得到所述各个局部图像对应的特征信息和属性信息之前，还包括：

获取训练数据，所述训练数据包括所述样本局部图像和所述样本局部图像对应的样本属性信息；

将所述样本局部图像输入到预设的神经网络模型，得到所述模型输出结果；所述神经网络模型的网络结构与所述区域分析模型的网络结构相同；

基于所述样本属性信息与所述模型输出结果之间的差异对所述神经网络模型进行训练，得到所述区域分析模型。

第二方面，提供了一种局部图像搜索方法，所述方法包括：

获取局部图像信息，所述局部图像信息包括特征信息和/或属性信息；

将所述局部图像信息与预存的模板信息进行比较，得到局部图像搜索结果；

其中，所述局部图像信息为将各个局部图像输入预先训练的区域分析模型中得到的，所述各个局部图像是将对象图像输入预先训练的局部区域获取模型中，得到所述对象图像中的各个局部区域后，获取到的每个局部区域对应的局部图像。

第三方面，提供了一种对象分析装置，所述装置包括：

对象图像获取模块，用于获取对象图像；

局部区域确定模块，用于将所述对象图像输入预先训练的局部区域获取模型中，得到所述对象图像中的各个局部区域；所述局部区域获取模型是基于mask分割网络模型训练得到的；

局部图像获取模块，用于获取每个局部区域对应的局部图像；

图像属性分析模块，用于将所述各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息。

第四方面，提供了一种局部图像搜索装置，所述装置包括：

获取模块，用于获取局部图像信息，所述局部图像信息包括特征信息和/或属性信息；

搜索模块，用于将所述局部图像信息与预存的模板信息进行比较，得到局部图像搜索结果；其中，所述局部图像信息为将各个局部图像输入预先训练的区域分析模型中得到的，所述各个局部图像是将对象图像输入预先训练的局部区域获取模型中，得到所述对象图像中的各个局部区域后，获取到的每个局部区域对应的局部图像。

第五方面，提供一种计算机设备，所述计算机设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面所述的对象分析方法或者第二方面所述的局部图像搜索方法。

第六方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序由所述处理器加载并执行以实现第一方面所述的对象分析方法或者第二方面所述的局部图像搜索方法。

本申请的有益效果在于：通过获取对象图像；将对象图像输入预先训练的局部区域获取模型中，得到对象图像中的各个局部区域；局部区域获取模型是基于mask分割网络模型训练得到的；获取每个局部区域对应的局部图像；将各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息；可以解决通过对象检测算法得到的对象检测框包括较多的图像背景信息，确定出的对象区域并不准确的问题；由于mask分割网络模型可以像素级地搜索对象的局部区域，因此，可以提高确定对象的局部区域的准确性。另外，通过区域分析模型还可以得到局部区域的特征信息和属性信息，实现提供更多的对象分析结果。

另外，通过融合属性信息训练得到区域分析模型，既可以提高区域分析模型得到的特征信息的准确性，从而提高局部区域搜索的准确性，还可以得到局部区域的属性信息。

另外，通过在mask分割网络模型中设置fpn，可以提取到输入的图像的低级特征和高级特征，提高特征提取的完整性，从而可以提高确定局部区域的准确性。

另外，通过在mask分割网络模型中设置roialign层，可以保证缩放后的图像roi与原始输入的图像是对准的，提高roi定位的准确性。

另外，通过对每个局部区域进行连通域分析，可以使得输入区域分析模型中的图像均为完整的图像，可以提高局部图像的提取效率。

另外，通过对基础图像进行预处理，得到扩展图像，可以使得输入mask分割网络模型中的图像更加丰富，可以提高局部区域获取模型的训练准确度。

另外，由于每个对象图像可能包括多个局部图像，通过设置区域分析模型包括多个任务分支，每个任务分支对应一个局部图像，每个任务分支包括特征提取层和属性分析层。使得区域分析模型可以并行分析多个局部图像，提高局部图像的分析效率。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的对象分析方法的流程图；

图2是本申请一个实施例提供的局部区域获取模型的示意图；

图3是本申请一个实施例提供的获取局部图像的示意图；

图4是本申请一个实施例提供的区域分析模型的示意图；

图5是本申请一个实施例提供的显示局部图像和属性信息的示意图；

图6是本申请一个实施例提供的对象分析过程的示意图；

图7是本申请一个实施例提供的局部图像搜索方法的流程图；

图8是本申请一个实施例提供的对象分析装置的框图；

图9是本申请一个实施例提供的局部图像搜索装置的框图；

图10是本申请一个实施例提供的计算机设备的框图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

可选地，本申请以各个实施例的执行主体为电子设备为例进行说明，该电子设备可以为计算机、平板电脑、笔记本电脑等具有计算能力的设备，本实施例不对电子设备的类型作限定。

图1为本申请一个实施例提供的对象分析方法流程图。该方法至少包括以下几个步骤：

步骤101，获取对象图像。

本实施例中，对象图像是指包括待分析的对象的图像。可选地，对象图像可以为经过对象检测算法检测后、包括对象检测框的图像；或者，对象图像也可以为未经过对象检测算法检测的图像。其中，对象检测算法可以为：区域卷积神经网络(region-cnn，r-cnn)、物体检测模型(singleshotdetectors，ssd)等，本实施例不对对象检测算法的类型作限定。

对象图像中的对象可以是人、动物等，本实施例不对对象的类型作限定。

可选地，获取对象图像的方式包括：接收其它设备发送的对象图像；和/或，获取对象检测算法输出的对象图像。

步骤102，将对象图像输入预先训练的局部区域获取模型中，得到对象图像中的各个局部区域；局部区域获取模型是基于mask分割网络模型训练得到的。

mask分割网络模型(或称maskr-cnn)是指支持同时做目标检测和实例分割的网络模型。maskr-cnn包括两阶段的框架，第一个阶段扫描图像并生成提议(proposals，即有可能包含一个目标的区域)，第二阶段分类提议并生成边界框和掩码。

由于现有的对象检测算法得到的对象检测框通常包括较多的图像背景信息，因此，确定出的对象区域并不准确。基于此，本实施例中，基于样本对象图像对mask分割网络模型进行训练得到的局部区域获取模型来获取对象图像的局部区域，由于mask分割网络模型可以确定出像素级的局部区域，因此，可以提高确定对象的局部区域的准确性。换句话说，局部区域获取模型是基于样本对象图像对mask分割网络模型进行训练得到的。

可选地，将对象图像输入预先训练的局部区域获取模型中，得到对象图像中的各个局部区域之前需要训练得到局部区域获取模型。训练局部区域获取模型的过程，至少包括以下几个步骤：

步骤1、获取第一训练数据，第一训练数据包括样本对象图像和样本对象图像中的样本局部区域；

可选地，样本对象图像包括基础图像和扩展图像，扩展图像为对基础图像进行预处理得到的，其中，预处理包括：缩放操作、镜像操作、旋转操作和平移操作中的至少一种。

在预处理操作包括缩放操作时，电子设备对基础图像进行预处理包括：使用双线性内插值法按照预设尺寸对基础图像进行缩放，得到缩放后的图像。

其中，双线性内插值法的算法原理为：假设基础图像大小为m*n，缩放后的图像大小为a*b，两幅图像的宽高比分别为：m/a和n/b，因此，缩放后的图像的第(i，j)个像素点(即第i行第j列的像素点)可以通过宽高比映射至基础图像，映射在基础图像上的坐标为(i*m/a，j*n/b)。这个对应坐标通常不是整数，而非整数的坐标无法在图像这种离散数据上使用。双线性插值通过寻找距离映射后的坐标最近的四个像素点，来计算该坐标的值(灰度值或者rgb值)。i和j均为正整数。

假设映射后的坐标为(i+u,j+v)，其中，i，j均为坐标的整数部分；u、v为坐标的小数部分，且u和v均为取值在[0,1)区间的浮点数，则这个坐标的像素值f(i+u,j+v)可由原图像中坐标为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：f(i+u,j+v)＝(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1)。

在预处理操作包括镜像操作时，电子设备对基础图像进行预处理包括：将基础图像中每个像素点的坐标与预设的水平镜像变换矩阵相乘，得到镜像后的图像。

对基础图像进行镜像操作可以通过下式表示：

其中，(x1,y1)为基础图像中任一像素点的坐标，(x0,y0)为(x1,y1)变换后的坐标；w为基础图像的宽度。

在预处理操作包括旋转操作时，电子设备对基础图像进行预处理包括：以基础图像中的预设像素点为中心顺时针旋转第一角度；和/或以预设像素点为中心逆时针旋转第二角度。

其中，预设像素点可以为基础图像的图像中心点，当然，预设像素点也可以为基础图像的其它位置，且预设像素点的数量可以为一个或多个，本实施例不对预设像素点的设置方式作限定。

第一角度和第二角度相同或不同，比如：第一角度和第二角度均为15°；另外，第一角度和第二角度的数量可以为一种或多种，本实施例不对第一角度和第二角度的设置方式作限定。

在预处理操作包括平移操作，且基础图像包括对象检测框时，电子设备对基础图像进行预处理包括：将基础图像中的对象检测框按照预设方向进行平移操作，得到平移后的图像。可选地，预设方向包括但不限于：上方、下方、左方、右方、左上方、左下方、右上方和/或右下方等，每次平移的像素个数可以为一个或多个，本实施例不对对象检测框的平移方式作限定。

由于获取到的基础图像过于单一，因此，本申请中将基础图像进行预处理，增加样本图像的丰富性。

步骤2、将第一训练数据中的样本图像输入mask分割网络模型，得到第一模型输出结果。

在一个示例中，参考图2，mask分割网络模型包括：卷积神经网络(convolutionalneuralnetworks，cnn)21，用于对输入的图像进行特征提取；与cnn21相连的特征金字塔网络(featurepyramidnetworks，fpn)22用于自下而上地对cnn中每层输出的特征进行处理，得到多层特征数据；之后至上而下地结合上层特征数据和本层特征数据进行联合处理，得到多个尺度不同的建议窗口；将多个尺度不同的建议窗口映射至cnn的最后一层特征图中，得到感兴趣区域roi；感兴趣区域对齐(regionofinterestalign，roialign)层23，用于使用双线性内插值算法将各个roi缩放至预设尺寸；掩码(mask)预测层24用于识别每个预设尺寸的roi的边界框，并进行掩码预测，得到局部区域。

其中，cnn包括卷积层，pooling层，batchnormal层以及relu层等，本实施例不对cnn包括的网络层的种类和每种网络层的数量作限定。

本实施例中，通过在mask分割网络模型中设置fpn，可以提取到输入的图像的低级特征和高级特征，提高特征提取的完整性，从而可以提高确定局部区域的准确性。

另外，通过在mask分割网络模型中设置roialign层，可以保证缩放后的图像roi与原始输入的图像是对准的，提高roi定位的准确性。

可选地，第一模型输出结果用于指示样本图像中的至少一个局部预测区域，每个局部预测区域的形状可以为矩形、圆形、或者不规则形状等，本实施例不对第一模型输出结果指示的局部形状作限定。

步骤3、基于第一模型输出结果和样本局部区域之间的差异对mask分割网络模型进行训练，得到局部区域获取模型。

在一个示例中，将第一模型输出结果和样本局部区域输入预设的损失函数中，基于损失函数的函数值确定mask分割网络模型是否收敛；在mask分割网络模型收敛或者迭代训练次数达到预设次数时，停止训练，得到局部区域获取模型。

可选地，损失函数可以为多任务损失，比如：损失函数包括边界框分类损失函数、边界框回归损失函数和掩码部分的损失函数，本实施例不对损失函数的设置方式作限定。

可选地，在训练得到局部区域获取模型后，电子设备还可以使用验证集对该局部区域获取模型进行验证，验证集与第一训练数据不同。

步骤103，获取每个局部区域对应的局部图像。

在一个示例中，获取每个局部区域对应的局部图像，包括：确定每个局部区域的外接矩形；从对象图像中抠取外接矩形，得到局部图像。

其中，对于每个局部区域，外接矩形为包含该局部区域的最小矩形。

由于电子设备确定出的局部区域可能并不连通，此时，提取出的局部图像可能存在缺失，从而影响局部图像的提取效率。基于此，本实施例中，电子设备在确定每个局部区域的外接矩形之前，还可以对每个局部区域进行连通域分析，得到连通区域标记；将该连通区域标记指示的待连通区域通过预设算法连通后得到局部区域。之后，确定连通后的局部区域的外接矩形，以得到局部图像。其中，预设算法包括但不限于：膨胀算法和/或腐蚀算法，本实施例不对预设算法的类型作限定。

其中，连通区域(connectedcomponent)是指局部图像中具有相同的像素值且相邻的区域。连通区域分析(connectedcomponentanalysis)是指将局部图像中的连通区域找出来并标记，也称为连通区域标记。

如图3所示的对象图像，图3以对象为非机动车为例进行说明。将对象图像输入局部区域获取模型后，得到局部区域31、32和33；分别对局部区域31、32和33通过连通域分析得到每个局部区域对应的连通区域标记；使用预设算法对每个局部区域中连通区域标记指示的待连通区域进行连通后，得到连通后的局部区域。确定局部区域31对应的连通后的局部区域、局部区域32对应的连通后的局部区域和局部区域33对应的连通后的局部区域的外接矩形，得到局部区域31对应的局部图像34、局部区域32对应的局部图像35和局部区域33对应的局部图像36。

在另一个示例中，获取每个局部区域对应的局部图像，包括：将从对象图像中抠取各个局部区域，得到各个局部区域对应的局部图像；或者，对每个局部区域进行连通域分析后，从对象图像中抠取各个连通后的局部区域，得到各个局部区域对应的局部图像。

步骤104，将各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息。

由于每个对象图像可能包括多个局部图像，比如：对于非机动车图像来说，可能包括车头局部图像、车灯局部图像、车牌局部图像等，依次对每个局部图像进行分析可能会消耗较长的时间。基于此，本实施例中，区域分析模型包括多个任务分支，每个任务分支对应一个局部图像，每个任务分支包括特征提取层和属性分析层，特征提取层用于提取特征信息，属性分析层用于提取属性信息。通过设置多个任务分支，使得区域分析模型可以并行分析多个局部图像，提高局部图像的分析效率。

可选地，将各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息之前需要训练得到区域分析模型。训练得到区域分析模型的过程包括：获取第二训练数据，第二训练数据包括所述样本局部图像和样本局部图像对应的样本属性信息；将样本局部图像输入到预设的神经网络模型，得到第二模型输出结果；基于样本属性信息与第二模型输出结果之间的差异对神经网络模型进行训练，得到区域分析模型。其中，神经网络模型的网络结构与区域分析模型的网络结构相同。

本实施例中，通过融合属性信息训练得到区域分析模型，既可以提高区域分析模型得到的特征信息的准确性，从而提高局部区域搜索的准确性，还可以得到局部区域的属性信息。

其中，神经网络模型可以为卷积神经网络cnn，当然，神经网络模型也可以为其它具有属性分析和特征提取功能的网络模型，本实施例不对神经网络模型的类型作限定。参考图4所示的神经网络模型，该神经网络模型包括n个任务分支，每个任务分支对应一个局部图像，假设同一对象图像对应的n个样本局部图像输入该神经网络模型，则每个样本局部图像对应输入一个任务分支；不同样本局部图像输入的任务分支不同，得到每个样本局部图像对应的第二模型输出结果，该第二模型输出结果包括属性预测信息和特征预测信息。

可选地，将各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息之后，显示局部区域图像和每个局部区域图像对应的特征信息和属性信息。

假设局部图像为图3中的车灯局部区域32，经过区域分析模型分析后，车灯局部区域32对应的属性信息参考图5，其中，局部图像32对应的属性信息51包括：车灯的颜色、形状、大小。不同的局部图像对应的属性信息的类型不同，比如：对于前车轮的局部图像的属性信息可以包括型号、大小、材质等，本实施例不对每个局部图像对应的属性信息的类型作限定。

可选地，为了更清楚地理解本申请提供的对象分析方法，下面对该方法举一个实例进行说明。参考图6，将包括对象检测框的对象图像输入局部区域获取模型61之后，得到多个局部区域；将每个局部区域进行连通域分析，并确定外接矩形得到多个局部图像62，将各个局部图像62输入区域分析模型63，得到每个局部图像的特征信息和属性信息。

综上所述，本实施例提供的对象分析方法，通过获取对象图像；将对象图像输入预先训练的局部区域获取模型中，得到对象图像中的各个局部区域；局部区域获取模型是基于mask分割网络模型训练得到的；获取每个局部区域对应的局部图像；将各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息；可以解决通过对象检测算法得到的对象检测框包括较多的图像背景信息，确定出的对象区域并不准确的问题；由于mask分割网络模型可以像素级地搜索对象的局部区域，因此，可以提高确定对象的局部区域的准确性。另外，通过区域分析模型还可以得到局部区域的特征信息和属性信息，实现提供更多的对象分析结果。

另外，通过融合属性信息训练得到区域分析模型，既可以提高区域分析模型得到的特征信息的准确性，从而提高局部区域搜索的准确性，还可以得到局部区域的属性信息。

另外，通过在mask分割网络模型中设置fpn，可以提取到输入的图像的低级特征和高级特征，提高特征提取的完整性，从而可以提高确定局部区域的准确性。

另外，通过在mask分割网络模型中设置roialign层，可以保证缩放后的图像roi与原始输入的图像是对准的，提高roi定位的准确性。

另外，通过对每个局部区域进行连通域分析，可以使得输入区域分析模型中的图像均为完整的图像，可以提高局部图像的提取效率。

另外，通过对基础图像进行预处理，得到扩展图像，可以使得输入mask分割网络模型中的图像更加丰富，可以提高局部区域获取模型的训练准确度。

另外，由于每个对象图像可能包括多个局部图像，通过设置区域分析模型包括多个任务分支，每个任务分支对应一个局部图像，每个任务分支包括特征提取层和属性分析层。使得区域分析模型可以并行分析多个局部图像，提高局部图像的分析效率。

图7为本申请一个实施例提供的局部图像搜索方法流程图。该方法至少包括以下几个步骤：

步骤701，获取局部图像信息，局部图像信息包括特征信息和/或属性信息。

局部图像信息为各个局部图像输入预先训练的区域分析模型中得到的，各个局部图像是各个局部区域对应的局部图像，各个局部区域为对象图像输入预先训练的局部区域获取模型中得到的，局部区域获取模型是基于mask分割网络模型训练得到的。

局部图像信息的获取方式参考图1所示的实施例，本实施例在此不作赘述。

步骤702，将局部图像信息与模板信息进行比较，得到局部图像搜索结果。

在一个示例中，将局部图像信息与模板信息进行比较，包括：将局部图像信息中的特征信息与模板特征信息进行比较。此时，将局部图像对应的特征信息与存储库里存储的模板局部图像的模板特征信息进行比较，得到各个模板特征信息与特征信息之间的相似度；将相似度从大到小排序在前n位的模板特征信息所对应的第一相关信息确定为局部图像搜索的结果。n为正整数。

第一相关信息包括前n位的模板特征信息中每个模板特征信息对应的模板局部图像和/或前n位的模板特征信息中每个模板特征信息对应的身份信息。比如：以局部图像为非机动车的局部图像为例，身份信息包括但不限于：非机动车的车牌、驾驶员信息等。本实施例不对身份信息的内容作限定。其中，模板局部图像的模板特征信息可以是多张模板图像经过局部区域获取模型和区域分析模型处理得到的，即经过步骤101-104处理得到的。

在另一个示例中，将局部图像信息中的属性信息与模板属性信息进行比较，得到局部图像搜索结果，包括：将局部图像对应的属性信息与存储库里存储的模板局部图像的模板属性信息进行比较，得到各个模板属性信息与属性信息之间的相似度；将相似度从大到小排序在前m位的模板属性信息所对应的第二相关信息确定为局部图像搜索的结果。m为正整数。第二相关信息包括前m位的模板属性信息中每个模板属性信息对应的模板局部图像和/或前m位的模板属性信息中每个模板属性信息对应的身份信息。

在又一个示例中，将局部图像信息中的特征信息和属性信息结合与模板信息进行比较，得到局部图像搜索结果。其中，第一局部图像搜索结果与第二局部图像搜索结果是相关联的两种局部图像搜索结果。获取局部图像搜索结果的过程包括：先将局部图像对应的特征信息与存储库里存储的模板局部图像的模板特征信息进行比较，得到各个模板特征信息与特征信息之间的相似度；将相似度从大到小排序在前i位的模板特征信息所对应的第一相关信息确定为第一局部图像搜索结果；接着通过第一局部图像搜索结果获取与第一局部图像搜索结果相关联的第二局部图像搜索结果；然后将局部图像对应的属性信息与第二局部图像搜索结果中的模板属性信息进行比较，得到各个模板属性信息与属性信息之间的相似度；将相似度从大到小排序在前j位的模板属性信息所对应的第二相关信息确定为第三局部图像搜索结果。i，j为正整数。第一相关信息包括前i位的模板特征信息中每个模板特征信息对应的模板局部图像和/或前i位的模板特征信息中每个模板特征信息对应的身份信息，第二相关信息包括前j位的模板属性信息中每个模板属性信息对应的模板局部图像和/或前j位的模板特征信息中每个模板属性信息对应的身份信息。

在实际实现时，根据特征信息和属性信息进行局部区域搜索的方式也可以为其它方式，本实施例不对该局部区域搜索的方式作限定。

本实施例提供的局部图像搜索方法，通过获取局部图像信息，局部图像信息包括特征信息和/或属性信息；将局部图像信息与模板信息进行比较，得到局部图像搜索结果；可以解决局部图像搜索精确度低的问题；由于mask分割网络模型可以像素级地搜索对象的局部区域，从而可以获取到精度更高的每个局部区域对应的局部图像，因此，可以提高局部图像搜索的精确度。

另外，用户可以根据需要选择通过特征信息或属性信息进行粗粒度搜索，或者通过特征信息和属性信息进行细粒度搜索，提高局部区域搜索的灵活性。

图8是本申请一个实施例提供的对象分析装置的框图。该装置至少包括以下几个模块：对象图像获取模块810、局部区域确定模块820、局部图像获取模块830和图像属性分析模块840。

对象图像获取模块810，用于获取对象图像；

局部区域确定模块820，用于将对象图像输入预先训练的局部区域获取模型中，得到对象图像中的各个局部区域；局部区域获取模型是基于mask分割网络模型训练得到的；

局部图像获取模块830，用于获取每个局部区域对应的局部图像；

图像属性分析模块840，用于将各个局部图像输入预先训练的区域分析模型中，得到各个局部图像对应的特征信息和属性信息。

相关细节参考上述方法实施例。

需要说明的是：上述实施例中提供的对象分析装置在进行对象分析时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将对象分析装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的对象分析装置与对象分析方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图9是本申请一个实施例提供的局部图像搜索装置的框图。该装置至少包括以下几个模块：获取模块910和搜索模块920。

获取模块910，用于获取局部图像信息，局部图像信息包括特征信息和/或属性信息；

搜索模块920，用于将局部图像信息与预存的模板信息进行比较，得到局部图像搜索结果；其中，局部图像信息为将各个局部图像输入预先训练的区域分析模型中得到的，各个局部图像是将对象图像输入预先训练的局部区域获取模型中，得到对象图像中的各个局部区域后，获取到的每个局部区域对应的局部图像。

相关细节参考上述方法实施例。

需要说明的是：上述实施例中提供的局部图像搜索装置在进行局部图像搜索时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将局部图像搜索装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的局部图像搜索装置与局部图像搜索方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图10是本申请一个实施例提供的计算机设备的框图，该计算机设备可以是智能手机、平板电脑、笔记本电脑、台式电脑或服务器等，本实施例不对计算机设备的类型作限定。该计算机设备至少包括处理器1001和存储器1002。

处理器1001可以包括一个或多个处理核心，比如：4核心处理器、8核心处理器等。处理器1001可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field－programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1001可以在集成有gpu(graphicsprocessingunit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。

存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的对象分析方法或者局部图像搜索方法。

在一些实施例中，计算机设备还可选包括有：外围设备接口和至少一个外围设备。处理器1001、存储器1002和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然，计算机设备还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的对象分析方法或者局部图像搜索方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的对象分析方法或者局部图像搜索方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。