目标检测方法及相关装置与流程

1.本申请涉及神经网络技术领域，具体涉及一种目标检测方法及相关装置。


背景技术：

2.目前，目标检测的过程为：首先，通过机器学习对待检测图片进行初步标注；然后，采用人工方式对初步标注后的图像进行再次标注，得到包括至少一个设定目标的目标检测结果。
3.但是，当存在大量图片时，采用人工方式将会导致检测大量图片中存在的多个设定目标的准确性和效率均较低。


技术实现要素：

4.本申请实施例提供一种目标检测方法及相关装置，用于提高检测大量图片中存在的多个设定目标的准确性和效率。
5.第一方面，本申请实施例提供了一种目标检测方法，方法包括：
6.获取多张待检测图片；
7.将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应；其中，融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型；
8.对至少一个目标检测结果执行显示操作。
9.在一些可能的实施例中，将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，包括：
10.将多张待检测图片输入卷积神经网络模型进行初次处理，输出多个第一标注图像，多个第一标注图像与多张待检测图片一一对应；
11.将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果。
12.在一些可能的实施例中，将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果，包括：
13.将多个第一标注图像输入生成式对抗网络模型中；
14.对多个第一标注图像进行标注，得到多个第二标注图像，多个第二标注图像中均包括一个或多个设定目标的每个第二标注图像的面积小于其对应的第一标注图像的面积，多个第二标注图像与多个第一标注图像一一对应；
15.采用一个或多个设定目标识别算法对多个第二标注图像进行目标识别，得到多个第一设定目标数量和多个第一设定目标集合，多个第一设定目标数量和多个第一设定目标集合分别与多个第二标注图像一一对应；
16.从多个第二标注图像中选取至少一个目标第二标注图像，至少一个目标第二标注图像中的每个目标第二标注图像对应的第一设定目标数量均非零，至少一个目标第二标注
图像和至少一个第一设定目标集合为至少一个目标检测结果，至少一个目标第二标注图像和至少一个第一设定目标集合分别与至少一个目标检测结果一一对应。
17.第二方面，本申请实施例提供了一种目标检测装置，装置包括：
18.获取单元，用于获取多张待检测图片；
19.处理单元，用于将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应；其中，融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型；
20.显示单元，用于对至少一个目标检测结果执行显示操作。
21.第三方面，本申请实施例提供了一种目标检测设备，上述目标检测设备包括处理器、存储器、通信接口，以及存储在存储器中的目标检测程序，上述目标检测程序被配置由处理器执行，以实现本申请实施例第一方面的方法中的步骤。
22.第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质用于存储目标检测程序，上述目标检测程序被处理器执行，以实现如本申请实施例第一方面的方法中的步骤。
23.第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品包括存储了目标检测程序的非瞬时性计算机可读存储介质，上述目标检测程序可操作来使计算机执行如本申请实施例第一方面的方法中的步骤。该计算机程序产品可以为一个软件安装包。
24.可以看出，相较于通过机器学习对大量的图片进行初次标注，以及采用人工方式对初次标注后的大量图像进行再次标注，在本申请实施例中，通过卷积神经网络模型和生成式对抗网络模型对获取到的多张图片进行两次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
25.本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
26.为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
27.图1是本申请实施例提供的一种目标检测系统的架构示意图；
28.图2a是本申请实施例提供的一种目标检测方法的流程示意图；
29.图2b是本申请实施例提供的一种融合神经网络模型的结构示意图；
30.图3是本申请实施例提供的另一种目标检测方法的流程示意图；
31.图4是本申请实施例提供的一种目标检测装置的功能单元组成框图；
32.图5是本申请实施例提供的一种目标检测系统的结构示意图。
33.具体实现方式
34.为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
35.以下分别进行详细说明。
36.本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
37.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
38.下面对本申请实施例进行详细介绍。
39.请参见图1，图1是本申请实施例提供的一种目标检测系统100的架构示意图，该目标检测系统100包括处理器101和显示屏102，处理器101与显示屏102连接，其中：
40.处理器101，用于获取多张待检测图片；
41.处理器101，还用于将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应；其中，融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型；
42.显示屏102，用于对至少一个目标检测结果执行显示操作。
43.可以看出，相较于通过机器学习对大量的图片进行初次标注，以及采用人工方式对初次标注后的大量图像进行再次标注，在本申请实施例中，通过卷积神经网络模型和生成式对抗网络模型对获取到的多张图片进行两次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
44.请参见图2a，图2a是本申请实施例提供的一种目标检测方法的流程示意图，该目标检测方法可以应用于智能监控场景或自动驾驶场景，该目标检测方法包括步骤s201-s203，具体如下：
45.s201、目标检测设备获取多张待检测图片。
46.其中，目标检测设备可以是智能终端设备，也可以是服务器，在此不作限定。
47.在一些可能的实施例中，目标检测设备获取多张待检测图片之前，方法还包括：
48.目标检测设备获取训练数据集合，训练数据集合包括多个成对的训练数据；
49.目标检测设备采用训练数据集合对未训练的生成式对抗网络模型进行训练，得到训练好的生成式对抗网络模型，训练好的生成式对抗网络模型为生成式对抗网络模型。
50.其中，生成式对抗网络模型是采用多个成对的训练数据对未训练的生成式对抗网络模型进行训练得到的，生成式对抗网络模型对图像进行标注的准确性更高。
51.可见，在本示例中，通过卷积神经网络模型和生成式对抗网络模型对获取到的多张图片进行两次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率；除此之外，由于生成式对抗网络模型是采用多个成对的训练数据对未训练的生成式对抗网络进行训练得到的，因此进一步提高检测大量图片中存在的多个设定目标的准确性。
52.s202、目标检测设备将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应。
53.如图2b所示，图2b是本申请提供的一种融合神经网络模型的结构示意图，该融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型。
54.其中，设定目标可以是人脸，也可以是车牌，在此不作限定。
55.在一些可能的实施例中，目标检测设备将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，包括：
56.目标检测设备将多张待检测图片输入卷积神经网络模型进行初次处理，输出多个第一标注图像，多个第一标注图像与多张待检测图片一一对应；
57.目标检测设备将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果。
58.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，后通过生成式对抗网络模型对多个第一标注图像进行再次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
59.在一些可能的实施例中，目标检测设备将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果，包括：
60.目标检测设备将多个第一标注图像输入生成式对抗网络模型中；
61.目标检测设备对多个第一标注图像进行标注，得到多个第二标注图像，多个第二标注图像中均包括一个或多个设定目标的每个第二标注图像的面积小于其对应的第一标注图像的面积，多个第二标注图像与多个第一标注图像一一对应；
62.目标检测设备采用一个或多个设定目标识别算法对多个第二标注图像进行目标识别，得到多个第一设定目标数量和多个第一设定目标集合，多个第一设定目标数量和多个第一设定目标集合分别与多个第二标注图像一一对应；
63.目标检测设备从多个第二标注图像中选取至少一个目标第二标注图像，至少一个目标第二标注图像中的每个目标第二标注图像对应的第一设定目标数量均非零，至少一个目标第二标注图像和至少一个第一设定目标集合为至少一个目标检测结果，至少一个目标第二标注图像和至少一个第一设定目标集合分别与至少一个目标检测结果一一对应。
64.其中，第二标注图像的面积小于其对应的第一标注图像的面积，表示对第二标注图像进行标注的准确性高于对与该第二标注图像对应的第一标注图像进行标注的准确性。
65.其中，设定目标识别算法可以是人脸识别算法，也可以是车牌识别算法，在此不作限定。
66.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，后通过生成式对抗网络模型对多个第一标注图像进行再次标注，得到多个第二标注图像，采用一个或多个设定目标识别算法对多个第二标注图像进行目标识别，得到多个第一设定目标数量和多个第一设定目标集合，以及从多个第二标注图像中选取至少一个目标第二标注图像，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确
性和效率。
67.在一些可能的实施例中，目标检测设备将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果，包括：
68.目标检测设备将多个第一标注图像输入生成式对抗网络模型中；
69.目标检测设备采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第三设定目标数量和多个第三设定目标集合，多个第三设定目标数量和多个第三设定目标集合分别与多个第一标注图像一一对应；
70.目标检测设备从多个第一标注图像中选取至少一个目标第一标注图像，至少一个目标第一标注图像中的每个目标第一标注图像对应的第三设定目标数量均非零；
71.目标检测设备对至少一个目标第一标注图像进行标注，得到至少一个第四标注图像，至少一个第四标注图像中的每个第四标注图像的面积小于其对应的目标第一标注图像的面积，至少一个第四标注图像与至少一个目标第一标注图像一一对应，至少一个第四标注图像和至少一个第三设定目标集合为至少一个目标检测结果，至少一个第四标注图像和至少一个第三设定目标集合分别与至少一个目标检测结果一一对应。
72.其中，设定目标识别算法可以是人脸识别算法，也可以是车牌识别算法，在此不作限定。
73.其中，第四标注图像的面积小于其对应的目标第一标注图像的面积，表示对第四标注图像进行标注的准确性高于对与该第四标注图像对应的目标第一标注图像进行标注的准确性。
74.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，后通过生成式对抗网络模型采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第三设定目标数量和多个第三设定目标集合，从多个第一标注图像中选取至少一个目标第一标注图像，以及对至少一个目标第一标注图像进行标注，得到至少一个第四标注图像，从而得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
75.在一些可能的实施例中，目标检测设备将多张待检测图片输入卷积神经网络模型进行初次处理，输出多个第一标注图像之后，方法还包括：
76.目标检测设备采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，多个第二设定目标数量和多个第二设定目标集合分别与多个第一标注图像一一对应；
77.目标检测设备从多个第一标注图像中选取至少一个目标第一标注图像，至少一个目标第一标注图像中的每个目标第一标注图像对应的第二设定目标数量均非零；
78.目标检测设备将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果，包括：
79.目标检测设备将至少一个目标第一标注图像输入生成式对抗网络模型中；
80.目标检测设备对至少一个目标第一标注图像进行标注，得到至少一个第三标注图像，至少一个第三标注图像中的每个第三标注图像的面积小于其对应的目标第一标注图像的面积，至少一个第三标注图像与至少一个目标第一标注图像一一对应，至少一个第三标
注图像和至少一个第二设定目标集合为至少一个目标检测结果，至少一个第三标注图像和至少一个第二设定目标集合分别与至少一个目标检测结果一一对应。
81.其中，设定目标识别算法可以是人脸识别算法，也可以是车牌识别算法，在此不作限定。
82.其中，第三标注图像的面积小于其对应的目标第一标注图像的面积，表示对第三标注图像进行标注的准确性高于对与该第三标注图像对应的目标第一标注图像进行标注的准确性。
83.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，再采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，以及从多个第一标注图像中选取至少一个目标第一标注图像，后通过生成式对抗网络模型对至少一个目标第一标注图像进行标注，得到至少一个第三标注图像，从而得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
84.s203、目标检测设备对至少一个目标检测结果执行显示操作。
85.可以看出，相较于通过机器学习对大量的图片进行初次标注，以及采用人工方式对初次标注后的大量图像进行再次标注，在本申请实施例中，通过卷积神经网络模型和生成式对抗网络模型对获取到的多张图片进行两次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
86.在一些可能的实施例中，目标检测设备将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果之后，方法还包括：
87.目标检测设备对第三标注图像a对应的第二设定目标集合进行身份识别，得到第一身份集合，第一身份集合与第三标注图像a对应的第二设定目标集合数量相同且一一对应，第三标注图像a为至少一个第三标注图像中的任意一个；
88.目标检测设备对至少一个目标检测结果执行显示操作，包括：
89.目标检测设备对至少一个第三标注图像、至少一个第二设定目标集合和至少一个第一身份集合执行显示操作。
90.其中，身份可以是人名、学生、老师，也可以是车牌号、车辆品牌、车辆类型(比如自行车、电动自行车、汽车)，在此不作限定。
91.具体的，第三标注图像a对应的第二设定目标集合包括第二设定目标1、第二设定目标2和第二设定目标3，目标检测设备对第三标注图像a对应的第二设定目标集合进行身份识别，得到第一身份集合，包括：
92.目标检测设备根据预存的设定目标与身份的映射关系确定第二设定目标1对应的第一身份1；
93.目标检测设备根据设定目标与身份的映射关系确定第二设定目标2对应的第一身份2；
94.目标检测设备根据设定目标与身份的映射关系确定第二设定目标3对应的第一身份3，第一身份1、第一身份2和第一身份3为第一身份集合。
95.其中，设定目标与身份映射关系中的设定目标与身份一一对应。
96.其中，目标检测设备对第二设定目标1、第二设定目标2和第二设定目标3进行身份识别的顺序不分先后，目标检测设备还可以采用并行方式对第二设定目标1、第二设定目标2和第二设定目标3进行身份识别。
97.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，再采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，以及从多个第一标注图像中选取至少一个目标第一标注图像，后通过生成式对抗网络模型对至少一个目标第一标注图像进行标注，得到至少一个第三标注图像，以及对每个第三标注图像对应的第二设定目标集合进行身份识别，得到至少一个第一身份集合，从而得到多张图片中存在的多个设定目标和多个设定目标中的每个设定目标的身份并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率；同时，能够便捷得到多个设定目标中的每个设定目标的身份。
98.在一些可能的实施例中，目标检测设备将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果之后，方法还包括：
99.目标检测设备将至少一个第三标注图像输入分类神经网络模型中；
100.目标检测设备对第三标注图像b对应的第二设定目标集合进行身份识别，得到第二身份集合，第二身份集合与第三标注图像a对应的第二设定目标集合数量相同且一一对应，第三标注图像b为至少一个第三标注图像中的任意一个；
101.目标检测设备根据至少一个第二身份集合对至少一个第三标注图像和与至少一个第三标注图像一一对应的至少一个第二设定目标集合进行分类，得到n个第三标注图像组和n个第二设定目标集合组，n个第三标注图像组中的每个第三标注图像对应的第二设定目标集合均对应一个相同身份，n个第二设定目标集合组与n个第三标注图像组一一对应，n为大于等于1的整数；
102.目标检测设备对至少一个目标检测结果执行显示操作，包括：
103.目标检测设备对n个第三标注图像组、n个第二设定目标集合组和n个第二身份执行显示操作，n个第三标注图像组和n个第二设定目标集合组分别与n个第二身份一一对应。
104.其中，该融合神经网络模型包括卷积神经网络模型、生成式对抗网络模型和分类神经网络模型。
105.其中，目标检测设备对第三标注图像b对应的第二设定目标集合进行身份识别，得到第二身份集合的实施方式可以参见上述目标检测设备对第三标注图像a对应的第二设定目标集合进行身份识别，得到第一身份集合的实施方式，在此不再叙述。
106.其中，身份可以是人名、学生、老师，也可以是车牌号、车辆品牌、车辆类型(比如自行车、电动自行车、汽车)，在此不作限定。
107.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，再采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，以及从多个第一标注图像中选取至少一个目标第一标注图像，后通过生成式对抗网络模型对至少一个目标第一标注图像进行标注，得到至少一个第三标注图像，通过分类神经网络模型对每个第三标注图像对
应的第二设定目标集合进行身份识别，得到至少一个第二身份集合，根据至少一个第二身份集合进行分类，得到n个第三标注图像组和n个第二设定目标集合组，以及对n个第三标注图像组、n个第二设定目标集合组和n个第二身份执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率；同时，能够便捷得到多个设定目标中的每个设定目标的身份。
108.在一些可能的实施例中，目标检测设备将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果之后，方法还包括：
109.目标检测设备采用预设边缘分割算法对至少一个第二设定目标集合进行边缘分割，得到至少一个第四设定目标集合，至少一个第四设定目标集合与至少一个第二设定目标集合一一对应；
110.目标检测设备对至少一个目标检测结果执行显示操作，包括：
111.目标检测设备对至少一个第三标注图像和至少一个第四设定目标集合执行显示操作。
112.预设边缘分割算法可以是基于图像的边缘分割算法，在此不作限定。
113.其中，第四设定目标集合是采用预设边缘分割算法对与该第四设定目标集合对应的第二设定目标集合进行边缘分割得到的，第四设定目标集合的边缘细节更加丰富。
114.可见，在本示例中，先通过卷积神经网络模型对多张待检测图片进行初次标注，得到多个第一标注图像，再采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，以及从多个第一标注图像中选取至少一个目标第一标注图像，后通过生成式对抗网络模型对至少一个目标第一标注图像进行标注，采用预设边缘分割算法对至少一个第二设定目标集合进行边缘分割，得到至少一个第四设定目标集合，从而得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率；除此之外，由于第四设定目标集合是采用预设边缘分割算法对与该第四设定目标集合对应的第二设定目标集合进行边缘分割得到的，因此第四设定目标集合的边缘细节更加丰富。
115.与上述图2a所示的实施例一致的，请参见图3，图3是本申请实施例提供的另一种目标检测方法的流程示意图，该目标检测方法包括步骤s301-s309，具体如下：
116.s301、目标检测设备获取训练数据集合，训练数据集合包括多个成对的训练数据。
117.s302、目标检测设备采用训练数据集合对未训练的生成式对抗网络模型进行训练，得到训练好的生成式对抗网络模型，训练好的生成式对抗网络模型为生成式对抗网络模型。
118.s303、目标检测设备获取多张待检测图片。
119.s304、目标检测设备将多张待检测图片输入卷积神经网络模型进行初次处理，输出多个第一标注图像，多个第一标注图像与多张待检测图片一一对应。
120.s305、目标检测设备将多个第一标注图像输入生成式对抗网络模型中。
121.s306、目标检测设备对多个第一标注图像进行标注，得到多个第二标注图像，多个第二标注图像中均包括一个或多个设定目标的每个第二标注图像的面积小于其对应的第一标注图像的面积，多个第二标注图像与多个第一标注图像一一对应。
122.s307、目标检测设备采用一个或多个设定目标识别算法对多个第二标注图像进行目标识别，得到多个第一设定目标数量和多个第一设定目标集合，多个第一设定目标数量和多个第一设定目标集合分别与多个第二标注图像一一对应。
123.s308、目标检测设备从多个第二标注图像中选取至少一个目标第二标注图像，至少一个目标第二标注图像中的每个目标第二标注图像对应的第一设定目标数量均非零，至少一个目标第二标注图像和至少一个第一设定目标集合为至少一个目标检测结果，至少一个目标第二标注图像和至少一个第一设定目标集合分别与至少一个目标检测结果一一对应。
124.s309、目标检测设备对至少一个目标检测结果执行显示操作。
125.需要说明的是，图3所示的方法中的各个步骤的具体实现过程可参见上述方法的具体实现过程，在此不再叙述。
126.上述实施例主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，目标检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
127.本申请实施例可以根据方法示例对目标检测装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
128.下面为本申请装置实施例，本申请装置实施例用于执行本申请方法实施例所实现的方法。请参见图4，图4是本申请实施例提供的一种目标检测装置400的功能单元组成框图，该目标检测装置400包括：
129.获取单元401，用于获取多张待检测图片；
130.处理单元402，用于将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应；其中，融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型；
131.显示单元403，用于对至少一个目标检测结果执行显示操作。
132.可以看出，相较于通过机器学习对大量的图片进行初次标注，以及采用人工方式对初次标注后的大量图像进行再次标注，在本申请实施例中，通过卷积神经网络模型和生成式对抗网络模型对获取到的多张图片进行两次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
133.在一些可能的实施例中，在将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果方面，上述处理单元402具体用于：
134.将多张待检测图片输入卷积神经网络模型进行初次处理，输出多个第一标注图像，多个第一标注图像与多张待检测图片一一对应；
135.将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果。
136.在一些可能的实施例中，在将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果方面，上述处理单元402具体用于：
137.将多个第一标注图像输入生成式对抗网络模型中；
138.对多个第一标注图像进行标注，得到多个第二标注图像，多个第二标注图像中均包括一个或多个设定目标的每个第二标注图像的面积小于其对应的第一标注图像的面积，多个第二标注图像与多个第一标注图像一一对应；
139.采用一个或多个设定目标识别算法对多个第二标注图像进行目标识别，得到多个第一设定目标数量和多个第一设定目标集合，多个第一设定目标数量和多个第一设定目标集合分别与多个第二标注图像一一对应；
140.从多个第二标注图像中选取至少一个目标第二标注图像，至少一个目标第二标注图像中的每个目标第二标注图像对应的第一设定目标数量均非零，至少一个目标第二标注图像和至少一个第一设定目标集合为至少一个目标检测结果，至少一个目标第二标注图像和至少一个第一设定目标集合分别与至少一个目标检测结果一一对应。
141.在一些可能的实施例中，上述目标检测装置400还包括：
142.目标识别单元404，用于采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，多个第二设定目标数量和多个第二设定目标集合分别与多个第一标注图像一一对应；
143.选取单元405，用于从多个第一标注图像中选取至少一个目标第一标注图像，至少一个目标第一标注图像中的每个目标第一标注图像对应的第二设定目标数量均非零；
144.在将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果方面，上述处理单元402具体用于：
145.将至少一个目标第一标注图像输入生成式对抗网络模型中；
146.对至少一个目标第一标注图像进行标注，得到至少一个第三标注图像，至少一个第三标注图像中的每个第三标注图像的面积小于其对应的目标第一标注图像的面积，至少一个第三标注图像与至少一个目标第一标注图像一一对应，至少一个第三标注图像和至少一个第二设定目标集合为至少一个目标检测结果，至少一个第三标注图像和至少一个第二设定目标集合分别与至少一个目标检测结果一一对应。
147.在一些可能的实施例中，上述目标检测装置400还包括：
148.训练单元406，用于获取训练数据集合，训练数据集合包括多个成对的训练数据；采用训练数据集合对未训练的生成式对抗网络模型进行训练，得到训练好的生成式对抗网络模型，训练好的生成式对抗网络模型为生成式对抗网络模型。
149.在一些可能的实施例中，上述目标检测装置400还包括：
150.身份识别单元407，用于对第三标注图像a对应的第二设定目标集合进行身份识别，得到第一身份集合，第一身份集合与第三标注图像a对应的第二设定目标集合数量相同
且一一对应，第三标注图像a至少一个第三标注图像中的任意一个；
151.在对至少一个目标检测结果执行显示操作方面，上述显示单元403具体用于：
152.对至少一个第三标注图像、至少一个第二设定目标集合和至少一个第一身份集合执行显示操作。
153.请参见图5，图5是本申请实施例提供的一种目标检测系统的结构示意图，该目标检测系统包括处理器、存储器、通信接口，以及存储在存储器中的目标检测程序，上述目标检测程序被配置由上述处理器执行，上述目标检测程序包括用于执行以下步骤的指令：
154.获取多张待检测图片；
155.将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果，至少一个目标检测结果与至少一张待检测图片一一对应；其中，融合神经网络模型包括卷积神经网络模型和生成式对抗网络模型；
156.对至少一个目标检测结果执行显示操作。
157.可以看出，相较于通过机器学习对大量的图片进行初次标注，以及采用人工方式对初次标注后的大量图像进行再次标注，在本申请实施例中，通过卷积神经网络模型和生成式对抗网络模型对获取到的多张图片进行两次标注，得到多张图片中存在的多个设定目标并执行显示操作，这样图像标注的过程无需人工参与，极大的提高检测大量图片中存在的多个设定目标的准确性和效率。
158.在一些可能的实施例中，在将多张待检测图片输入融合神经网络模型进行处理，输出均包括一个或多个设定目标的至少一个目标检测结果方面，上述目标检测程序包括具体用于执行以下步骤的指令：
159.将多张待检测图片输入卷积神经网络模型进行初次处理，输出多个第一标注图像，多个第一标注图像与多张待检测图片一一对应；
160.将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果。
161.在一些可能的实施例中，在将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果方面，上述目标检测程序包括具体用于执行以下步骤的指令：
162.将多个第一标注图像输入生成式对抗网络模型中；
163.对多个第一标注图像进行标注，得到多个第二标注图像，多个第二标注图像中均包括一个或多个设定目标的每个第二标注图像的面积小于其对应的第一标注图像的面积，多个第二标注图像与多个第一标注图像一一对应；
164.采用一个或多个设定目标识别算法对多个第二标注图像进行目标识别，得到多个第一设定目标数量和多个第一设定目标集合，多个第一设定目标数量和多个第一设定目标集合分别与多个第二标注图像一一对应；
165.从多个第二标注图像中选取至少一个目标第二标注图像，至少一个目标第二标注图像中的每个目标第二标注图像对应的第一设定目标数量均非零，至少一个目标第二标注图像和至少一个第一设定目标集合为至少一个目标检测结果，至少一个目标第二标注图像和至少一个第一设定目标集合分别与至少一个目标检测结果一一对应。
166.在一些可能的实施例中，上述目标检测程序还包括用于执行以下步骤的指令：
167.采用一个或多个设定目标识别算法对多个第一标注图像进行目标识别，得到多个第二设定目标数量和多个第二设定目标集合，多个第二设定目标数量和多个第二设定目标集合分别与多个第一标注图像一一对应；
168.从多个第一标注图像中选取至少一个目标第一标注图像，至少一个目标第一标注图像中的每个目标第一标注图像对应的第二设定目标数量均非零；
169.在将多个第一标注图像输入生成式对抗网络模型进行再次处理，输出均包括一个或多个设定目标的至少一个目标检测结果方面，上述目标检测程序包括具体用于执行以下步骤的指令：
170.将至少一个目标第一标注图像输入生成式对抗网络模型中；
171.对至少一个目标第一标注图像进行标注，得到至少一个第三标注图像，至少一个第三标注图像中的每个第三标注图像的面积小于其对应的目标第一标注图像的面积，至少一个第三标注图像与至少一个目标第一标注图像一一对应，至少一个第三标注图像和至少一个第二设定目标集合为至少一个目标检测结果，至少一个第三标注图像和至少一个第二设定目标集合分别与至少一个目标检测结果一一对应。
172.在一些可能的实施例中，上述目标检测程序还包括用于执行以下步骤的指令：
173.获取训练数据集合，训练数据集合包括多个成对的训练数据；
174.采用训练数据集合对未训练的生成式对抗网络模型进行训练，得到训练好的生成式对抗网络模型，训练好的生成式对抗网络模型为生成式对抗网络模型。
175.在一些可能的实施例中，上述目标检测程序还包括用于执行以下步骤的指令：
176.对第三标注图像a对应的第二设定目标集合进行身份识别，得到第一身份集合，第一身份集合与第三标注图像a对应的第二设定目标集合数量相同且一一对应，第三标注图像a为至少一个第三标注图像中的任意一个；
177.在对至少一个目标检测结果执行显示操作方面，上述目标检测程序包括具体用于执行以下步骤的指令：
178.对至少一个第三标注图像、至少一个第二设定目标集合和至少一个第一身份集合执行显示操作。
179.本申请实施例提供了一种计算机存储介质，上述计算机存储介质用于存储目标检测程序，上述目标检测程序被处理器执行，以实现如上述方法实施例中记载的任一方法中的步骤。
180.本申请实施例还提供了一种计算机程序产品，上述计算机程序产品包括存储了目标检测程序的非瞬时性计算机可读存储介质，上述目标检测程序可操作来使计算机执行如上述方法实施例中记载的任一方法中的步骤。该计算机程序产品可以为一个软件安装包。
181.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
182.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
183.在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
184.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
185.另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
186.上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
187.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
188.以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实现方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本申请的限制。