目标区域图像识别方法、装置、计算机设备与流程

1.本公开涉及图像识别处理技术领域，特别是涉及一种目标区域图像识别方法、装置、计算机设备。


背景技术：

2.随着计算机智能算法的发展，图像识别技术被广泛应用于多种场合。尤其在环境卫生领域，图像识别在垃圾分类和垃圾体积估算场合减轻了人工成本。在垃圾收集处理环节往往需要根据垃圾桶内垃圾面积对垃圾体积进行计算。这一过程中，识别垃圾区域是极其重要的环节。
3.传统技术中，识别垃圾区域往往是通过人工(如环卫公司)对垃圾桶内的垃圾目测估算，或者基于机器学习算法进行垃圾区域识别。由于垃圾桶内垃圾种类和数量繁多，人工识别垃圾区域比较耗费精力且准确性较低。而现有的机器学习算法需要学习特征较多，受到识别成本和效率的限制。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种目标区域图像识别方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本公开提供了一种目标区域图像识别方法。所述方法包括：
6.对待识别图像进行边缘检测处理，获取所述待识别图像的边缘检测图像；
7.检测所述边缘检测图像中的线段；
8.对所述边缘检测图像中的线段进行干扰线段过滤，获取过滤后的线段图像；
9.基于所述线段图像进行线段密度聚类获得聚类范围，根据所述聚类范围识别所述线段图像中的目标区域。
10.在其中一个实施例中，所述待识别图像通过以下方式得到：
11.获取初始图像；
12.对所述初始图像进行分割预处理，得到所述待识别图像。
13.在其中一个实施例中，所述对所述边缘检测图像中的线段进行干扰线段过滤，获取过滤后的线段图像包括：
14.计算所述线段的线长分布，根据所述线长分布确定过滤阈值；
15.根据所述阈值过滤所述干扰线段，获得过滤后的线段图像。
16.在其中一个实施例中，所述方法还包括：
17.根据所述目标区域，确定所述目标区域外轮廓；
18.根据所述目标区域外轮廓，计算所述目标区域的边缘像素尺度。
19.在其中一个实施例中，所述根据所述目标区域外轮廓，计算所述目标区域的边缘像素尺度包括：
20.确定基于所述目标区域外轮廓的最小外接矩形和最大内接矩形，所述最小外接矩
形和最大内接矩形的长分别与设定方向平行；
21.确定所述最小外接矩形的长与相邻的所述最大内接矩形的长之间的垂直距离；
22.获取与所述设定方向平行并经过所述垂直距离中点的直线与所述目标区域外轮廓的两个交点；
23.计算所述两个交点之间的直线距离作为所述边缘像素尺度。
24.第二方面，本公开还提供了一种目标区域图像识别装置。所述装置包括：
25.边缘检测模块，用于对待识别图像进行边缘检测处理，以获取所述待识别图像的边缘检测图像；
26.线段检测模块，用于检测所述边缘检测图像中的线段；
27.线段过滤模块，用于对所述边缘检测图像中的线段进行干扰线段过滤，获取过滤后的线段图像；
28.线段聚类模块，用于基于所述线段图像进行线段密度聚类获得聚类范围，根据所述聚类范围识别所述线段图像中的目标区域。
29.在其中一个实施例中，所述装置还包括预处理模块，所述待识别图像通过所述预处理模块得到，所述预处理模块包括：
30.初始单元，用于获取初始图像；
31.分割单元，用于对所述初始图像进行分割预处理，得到所述待识别图像。
32.在其中一个实施例中，所述线段过滤模块包括：
33.阈值单元，用于计算所述线段的线长分布，根据所述线长分布确定过滤阈值；
34.过滤单元，用于根据所述阈值过滤所述干扰线段，获得过滤后的线段图像。
35.在其中一个实施例中，所述装置还包括：
36.外轮廓模块，用于根据所述目标区域，确定所述目标区域外轮廓；
37.边缘像素尺度模块，用于根据所述目标区域外轮廓，计算所述目标区域的边缘像素尺度。
38.在其中一个实施例中，所述边缘像素尺度模块包括：
39.矩形单元，用于确定基于所述目标区域外轮廓的最小外接矩形和最大内接矩形，所述最小外接矩形和最大内接矩形的长分别与设定方向平行；
40.垂直距离单元，用于确定所述最小外接矩形的长与相邻的所述最大内接矩形的长之间的垂直距离；
41.直线交点单元，用于获取与所述设定方向平行并经过所述垂直距离中点的直线与所述目标区域外轮廓的两个交点；
42.计算单元，用于计算所述两个交点之间的直线距离作为所述边缘像素尺度。
43.第三方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述目标区域图像识别方法的步骤。
44.第四方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述目标区域图像识别方法的步骤。
45.第五方面，本公开还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，该计算机程序被处理器执行时实现上述目标区域图像识别方法的步骤。
46.上述目标区域图像识别方法、装置、计算机设备、存储介质和计算机程序产品，至少包括以下有益效果：
47.本公开通过对待识别图像进行边缘检测，减少处理数据量，并通过直线检测、线段过滤和线段密度聚类去除干扰线段和噪点确定目标区域，提高了目标区域识别的准确性；另一方面，可以基于纯单目视觉技术方便快捷地获取待识别图像，并针对垃圾桶内凌乱的垃圾得到垃圾的目标区域，大大提高了垃圾区域识别的效率。
附图说明
48.为了更清楚地说明本公开实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1为一个实施例中目标区域图像识别方法的应用环境图；
50.图2为一个实施例中目标区域图像识别方法的流程示意图；
51.图3为一个实施例中待识别图像示意图；
52.图4为一个实施例中边缘检测图像示意图；
53.图5为一个实施例中检测边缘检测图像中的线段示意图；
54.图6为一个实施例中过滤后的线段图像示意图；
55.图7为一个实施例中目标区域示意图；
56.图8为一个实施例中目标区域图像识别方法的流程示意图；
57.图9为一个实施例中目标区域图像识别方法的流程示意图；
58.图10为一个实施例中目标区域图像识别方法的流程示意图；
59.图11为一个实施例中目标区域图像识别方法的流程示意图；
60.图12为一个实施例中计算边缘像素尺度示意图；
61.图13为一个实施例中目标区域图像识别装置的结构框图；
62.图14为一个实施例中目标区域图像识别装置的结构框图；
63.图15为一个实施例中目标区域图像识别装置的结构框图；
64.图16为一个实施例中目标区域图像识别装置的结构框图；
65.图17为一个实施例中目标区域图像识别装置的结构框图；
66.图18为一个实施例中计算机设备的内部结构框图。
具体实施方式
67.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
68.除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中在本公开的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本公开。
69.以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、产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它要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
70.在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中，术语“和/或”包括相关所列项目的任何及所有组合。
71.本技术实施例提供的目标区域图像识别方法，可以应用于如图1所示的应用环境中。其中，终端102配置或连接图像采集装置106(图像采集装置106也可以作为终端102的一部分)，终端102可以将图像采集装置106采集到的垃圾桶图像进行处理，识别出垃圾区域，还可以通过终端102上的显示装置进行显示。终端102还可以通过网络与服务器104进行通信，终端102可以将图像采集装置106采集到的垃圾桶图像发送至服务器104进行处理，识别出垃圾区域，并接收服务器104传输的识别结果。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备，便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
72.在本公开的一些实施例中，如图2所示，提供了一种目标区域图像识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
73.步骤s10：对待识别图像进行边缘检测处理，获取所述待识别图像的边缘检测图像。
74.具体地，边缘检测可以是指在图像处理中标识图像中亮度变化明显的点，即可以标识出图像中物体的边缘线条。可以采用canny边缘检测算法(canny edge detector)对待识别图像进行边缘检测处理，在一些实施例中还可以采用hed边缘检测算法(holistically-nested edge detection)或者像素差分网络(pidinet)边缘检测算法对待识别图像进行边缘检测处理。在本实施例中，以垃圾桶内垃圾区域识别为例，待识别图像中至少包括垃圾桶的上沿和垃圾桶内的垃圾图像。待识别图像可参阅图3，对待识别图像边缘检测处理后的边缘检测图像可以参阅图4。图4所示的外圈轮廓线为垃圾桶上沿边缘，垃圾桶上沿边缘内部线条为垃圾边缘线条。
75.步骤s20：检测所述边缘检测图像中的线段。
76.具体地，边缘检测图像相比于待识别图像大大减少了图像数据量，基于边缘检测图像检测边缘检测图像中的线段。具体可以采用fld直线检测算法，标识出边缘检测图像中的线段。在一些实施例中。还可以采用lsd直线检测算法或lsm直线检测算法标识出边缘检测图像中的线段。本实施例基于边缘检测图像标识出的线段可以参阅图5。
77.步骤s30：对所述边缘检测图像中的线段进行干扰线段过滤，获取过滤后的线段图像。
78.具体地，将边缘检测图像中的线段进行过滤，去除掉干扰线段。干扰线段可以是指非目标区域(即非垃圾区域)的线段，例如垃圾桶边缘线段等。过滤后的线段图像可以参阅图6。
79.步骤s40：基于所述线段图像进行线段密度聚类获得聚类范围，根据所述聚类范围识别所述线段图像中的目标区域。
80.具体地，线段密度聚类可以是指基于线段图像中的线段密度进行密度聚类，密度聚类可以识别出线段的核心对象，并找出核心对象可达的样本，生成聚类簇，直到所有核心对象均被访问过为止，将不在任何一个核心对象范围的线段记为噪音点，进行去除(例如可以去除垃圾桶上沿边缘残留线段)，最终的到聚类范围，将范围最大的聚类范围作为目标区域(即垃圾区域)。例如，可以通过dbscan(density-based spatial clustering of applications with noise)密度聚类算法获得聚类范围。在一些实施例中，还可以采用optics密度聚类算法(ordering points to identify the clustering structure)或mdca(maximum density clustering application)密度聚类算法获得聚类范围。本实施例获得聚类范围的图像可以参阅图7。
81.上述目标区域图像识别方法中，通过对待识别图像进行边缘检测，减少处理数据量，并通过直线检测、线段过滤和线段密度聚类去除干扰线段和噪点确定目标区域，提高了目标区域识别的准确性；另一方面，可以基于纯单目视觉技术方便快捷地获取待识别图像，并针对垃圾桶内凌乱的垃圾得到垃圾的目标区域，大大提高了垃圾区域识别的效率。
82.在本公开的一些实施例中，如图8所示，所述待识别图像通过以下方式得到：
83.步骤a10：获取初始图像；
84.步骤a20：对所述初始图像进行分割预处理，得到所述待识别图像。
85.具体地，可以采用纯单目视觉技术(例如单目摄像头)获取初始图像。初始图像可以是指通过前述终端对需要识别的垃圾桶拍摄所得的图像。初始图像中，至少包括了垃圾桶上沿以及需要识别的垃圾区域。将采集到的初始图像进行分割预处理，其中，分割预处理可以是指将初始图像的背景区域和有效区域进行分离，仅保留有效区域，例如，可以采用将背景区域像素设定为指定颜色(例如黑色)的方式进行分割，可以获得待识别图像，如图3所示。参阅图7，待识别图像中包括有效区域和黑色背景，有效区域可以是指包括完整目标区域和部分垃圾桶。
86.在一些实施例中，有效区域可以是预设边框，例如矩形框、梯形框等，预设边框在采集初始图像阶段进行显示，通过预设边框指示图像采集时将目标区域框入预设边框。通过预设边框的设置，还可以通过显示引导图像采集时的角度、距离等。
87.本实施例通过对初始图像进行分割预处理，使得待识别图像去除背景区域，大大减少了数据处理，以及减少了背景对目标区域识别的干扰，提高了识别速度和准确度。
88.在本公开的一些实施例中，如图9所示，所述步骤s30包括：
89.步骤s32：计算所述线段的线长分布，根据所述线长分布确定过滤阈值。
90.具体地，基于边缘检测图像中的线段，计算线段的线长分布。将识别出的所有线段的线长进行统计，按照长短依次排列。例如，可以通过分布图的方式进行统计。根据线长分
布，选取过滤阈值。过滤阈值的选取可以根据线段(可以是最长线段、最短线、中位线、平均线段或四分位等)的线长选取。在一些实施例中，还可以根据线段线长的频次选取过滤阈值。
91.步骤s34：根据所述阈值过滤所述干扰线段，获得过滤后的线段图像。
92.具体地，根据选定的过滤阈值，对线段进行过滤。过滤阈值可以是线长，根据过滤阈值可以将线长大于过滤阈值的线段去除(例如可以去除掉垃圾桶上沿边缘线段、有效区域边缘线段)，保留小于等于过滤阈值的线段。在一些实施例中，过滤阈值可以是线长频次，根据过滤阈值将线长频次小于过滤阈值的线段去除，保留大于等于过滤阈值的线段。在一些实施例中，还可以设定多个过滤阈值，过滤阈值可以是线长、频次，通过多个过滤阈值进行结合过滤。
93.本实施例通过对边缘检测图像中的线段进行干扰线段过滤，基于线段线长分布设定过滤阈值，可以快速过滤非目标区域的干扰线段，提高目标区域识别准确度。
94.在本公开的一些实施例中，如图10所示，所述方法还包括：
95.步骤s50：根据所述目标区域，确定所述目标区域外轮廓。
96.步骤s60：根据所述目标区域外轮廓，计算所述目标区域的边缘像素尺度。
97.具体地，可以对目标区域进行凸包检测，获取目标区域外轮廓。目标区域外轮廓往往是不规则的，不是标准图形(例如正方形、长方形、梯形等)。根据不规则的区域外轮廓进行计算，得到一个用于表征目标区域边缘像素尺度的标准线段长。边缘像素尺度可以表征目标区域在采集的待识别图像中的边缘尺度大小。
98.本实施例通过确定目标区域外轮廓，进一步准确识别目标区域及其边缘，并通过计算目标区域的边缘像素尺度，对不规则的目标区域外轮廓进行数据处理，得到用于表征目标区域边缘像素尺度的标准线段长，有利于数据的标准化，便于对后续根据目标区域进行进一步的计算，例如根据边缘像素尺度和垃圾桶标准像素尺度计算目标区域面积或体积等。
99.在本公开的一些实施例中，如图11所示，所述步骤s60还包括：
100.步骤s62：确定基于所述目标区域外轮廓的最小外接矩形和最大内接矩形，所述最小外接矩形和最大内接矩形的长分别与设定方向平行。
101.具体地，请参阅图12，在目标区域外轮廓外确定最小外接矩形，以及在目标区域外轮廓内确定最大内接矩形。最小外接矩形和最大内接矩形的长分别与设定方向平行，最小外接矩形和最大内接矩形的宽分别与设定方向垂直。设定方向可以设定为水平方向，即与待识别图像(为标准矩形)上下边缘平行。在一些实施例中，根据设定方向，在采集初始图像时通过有效区域边框的引导或其他显示引导，使得垃圾桶的实际水平边缘与设定方向平行或者夹角小于误差阈值。在一些实施例中，在垃圾桶的实际水平边缘与待识别图像上下边缘不平行时，可以将设定方向设置为与水平方向存在夹角，使得垃圾桶的实际水平边缘与设定方向平行；或者保持设定方向为水平方向，将采集到的待识别图像进行角度调整，使得垃圾桶的实际水平边缘与设定方向平行。
102.步骤s64：确定所述最小外接矩形的长与相邻的所述最大内接矩形的长之间的垂直距离。
103.具体地，最小外接矩形的长与相邻的最大内接矩形的长由图可知存在两组，即图
中的最小外接矩形的长a和最大内接矩形的长c、最小外接矩形的长b和最大内接矩形的长d，选取任意一组进行下一步计算；或者根据两组数据分别进行计算，将最终获得的边缘像素尺度求平均值。在一些实施例中，选择了图中的最小外接矩形的长a和最大内接矩形的长c进行计算。确定最小外接矩形的长a和最大内接矩形的长c之间的垂直距离l。
104.步骤s66：获取与所述设定方向平行并经过所述垂直距离中点的直线与所述目标区域外轮廓的两个交点。
105.步骤s68：计算所述两个交点之间的直线距离作为所述边缘像素尺度。
106.具体地，确定垂直距离l的中点m，基于中点m确定与设定方向平行的直线，以及确定该直线与目标区域外轮廓的两个交点，即点a、点b。计算ab之间的直线距离，即为边缘像素尺度。
107.在一些实施例中，还可以确定最小外接矩形的宽与相邻的最大内接矩形的宽之间的垂直距离，获取与设定方向垂直并经过垂直距离中点的直线与目标区域外轮廓的两个交点，计算两个交点之间的直线距离作为边缘像素尺度。具体步骤可参阅步骤s62-步骤s68，在此不再赘述。
108.本实施例通过确定目标区域外轮廓的最小外接矩形和最大内接矩形，并基于最小外接矩形和最大内接矩形进行计算，规范了边缘像素尺度的获取规范，适用于不同规则的垃圾桶，可以准确的获取边缘像素尺度。
109.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
110.基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的目标区域图像识别方法的目标区域图像识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个目标区域图像识别装置实施例中的具体限定可以参见上文中对于目标区域图像识别方法的限定，在此不再赘述。
111.所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
112.在本公开的一些实施例中，如图13所示，提供了一种目标区域图像识别装置，所述装置可以为前述所述终端，也可以为服务器，或者集成于所述终端的模块、组件、器件、单元等。
113.该装置z00可以包括：
114.边缘检测模块z10，用于对待识别图像进行边缘检测处理，以获取所述待识别图像的边缘检测图像；
115.线段检测模块z20，用于检测所述边缘检测图像中的线段；
116.线段过滤模块z30，用于对所述边缘检测图像中的线段进行干扰线段过滤，获取过滤后的线段图像；
117.线段聚类模块z40，用于基于所述线段图像进行线段密度聚类获得聚类范围，根据所述聚类范围识别所述线段图像中的目标区域。
118.在本公开的一些实施例中，如图14所示，所述装置z00还包括预处理模块z50，所述待识别图像通过所述预处理模块z50得到，所述预处理模块z50包括：
119.初始单元z52，用于获取初始图像；
120.分割单元z54，用于对所述初始图像进行分割预处理，得到所述待识别图像
121.在本公开的一些实施例中，如图15所示，所述线段过滤模块z30包括：
122.阈值单元z32，用于计算所述线段的线长分布，根据所述线长分布确定过滤阈值；过滤单元z34，用于根据所述阈值过滤所述干扰线段，获得过滤后的线段图像。
123.在本公开的一些实施例中，如图16所示，所述装置z00还包括：
124.外轮廓模块z60，用于根据所述目标区域，确定所述目标区域外轮廓；边缘像素尺度模块z70，用于根据所述目标区域外轮廓，计算所述目标区域的边缘像素尺度。
125.在本公开的一些实施例中，如图17所示，所述边缘像素尺度模块z70包括：
126.矩形单元z72，用于确定基于所述目标区域外轮廓的最小外接矩形和最大内接矩形，所述最小外接矩形和最大内接矩形的长分别与设定方向平行；垂直距离单元z74，用于确定所述最小外接矩形的长与相邻的所述最大内接矩形的长之间的垂直距离；直线交点单元z76，用于获取与所述设定方向平行并经过所述垂直距离中点的直线与所述目标区域外轮廓的两个交点；计算单元z78，用于计算所述两个交点之间的直线距离作为所述边缘像素尺度。
127.上述目标区域图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本公开实施例中对模块的划分是示意性的，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.基于前述目标区域图像识别方法的实施例描述，在本公开提供的另一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标区域图像识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，
还可以是外接的键盘、触控板或鼠标等。
129.本领域技术人员可以理解，图中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
130.基于前述目标区域图像识别方法的实施例描述，在本公开提供的另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
131.基于前述目标区域图像识别方法的实施例描述，在本公开提供的另一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
132.需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
133.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
134.在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。
135.可以理解的是，本说明书中上述方法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它实施例的不同之处。相关之处参见其他方法实施例的描述说明即可。
136.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。
137.以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以作出若干变形和改进，这些都属于本公开的保护范围。因此，本公开专利的保护范围应以所附权利要求为准。