高，一般情况下，提取一种图像的候选主体区域所需的时间为100ms。
[0025]S102，对所提取到的候选主体区域中的非主体区域进行排除，以获得目标候选主体区域，并对目标候选主体区域进行调整和分类，以获得至少一个目标候选主体区域集合。
[0026]在该实施例中，在获得待识别图像的大量的候选主体区域后，可使用不同级别的分类器对所提取到的候选主体区域进行识别，以排除候选主体区域中的非主体区域。
[0027]具体地，在获得待识别图像的大量的候选主体区域后，为了可以获得准确获得图像的主体区域，可将获得的候选主体区域通过级联的不同级别的分类器进行识别，逐步排除候选主体区域中的非主体区域。其中，不同级别的分类器具有不同的判定准则，可以通过所有级别的分类器的候选主体区域成为图像的主体区域的可能性很高。
[0028]例如，假定当前级联了三个分类器，在获得当前图像对应的大量的候选主体区域后，可将所获得的候选主体区域输入第一级深度学习分类器，第一级深度学习分类器基于其对应的判断准侧对候选主体区域进行识别，排除不满足主体区域特性的非主体区域，并将获得的识别结果输入第二级深度学习分类器，第二级深度学习分类器基于其对应的判断准侧再排除一些不满足主体区域特性的非主体区域，并输出对应的识别结果，在获得第二级深度学习分类器的识别结果后，可将第二级深度学习分类器所获得的识别结果再输入至第三级线性分类器，其中，该线性分类器也可以称为支持向量机(Support VectorMachine，简称SVM)，第三级线性分类器基于其对应的判断准侧对输入的识别结果再进行识另IJ，并将其不满足其判断准侧的非主体区域去除，以及输出对应的识别结果，所输出的识别结果为所有通过上述三级分类器的候选主体区域。在这里，为了可以快速过滤大量非主体，在前期可使用低级别的分类器对大量的候选主体区域进行粗筛选，后期为了可以准确排除候选主体区域集合中的少量难区分的非主体区域，可使用高级别的分类器进行识别，以获得准确对应的目标候选主体区域。其中，通过所有级别的分类器的候选主体区域即为目标候选主体区域。
[0029]在获得目标候选主体区域后，为了可以准确获得图像的主体区域，可针对每个目标候选主体区域，根据主体和当前目标候选主体区域之间的大小关系和位置关系对当前目标候选主体区域进行缩放处理和/或平移处理。
[0030]在对每个目标候选主体区域进行调整后，可获得调整前和调整后的每个目标候选主体区域的评分和所属的类别，并根据同一类别中目标候选主体区域的评分对对应的目标候选主体区域进行排序，并根据排序结果获得目标候选主体区域集合。
[0031]例如，可将获得的调整前和调整后的目标候选主体区域通过一个基于深度学习模型的分类器，该分类器对每个目标候选主体区域进行分类，并输出每个目标候选主体区域属于各个类别的概率值，假定调整前和调整后的目标候选主体区域总共有四个，用a、b、c和d分别表示这四个目标候选主体区域，并且当前分类器有三个类别，分别用1、m、η表示，通过分类器所获得的各个目标候选主体区域对应的三种类别1、m、η的概率分布为:a为(0.1,0.1,0.8)，b 为(0.2,0.2,0.6)，c 为(0.7,0.1,0.2)，d 为(0.1,0.85,0.05)，在获得对应的概率后，针对每个类别，可根据每个目标候选主体区域的概率对其进行排序，并根据排序结果获得目标候选主体区域对应的类别。其中，对上述四个目标候选主体区域a、b、c和d进行处理后，所获得的结果为:a和b属于类别n，且a的概率高(置信高)，排于b之前，C属于类别1，(1属于类别!11。
[0032]S103，对每个目标候选主体区域集合中的目标候选主体区域进行合并，以识别出图像的主体区域。
[0033]在该实施例中，在获得图像对应的至少一个目标候选主体区域集合后，针对每个目标候选主体区域集合，可根据目标候选主体区域之间的大小关系及位置关系对目标候选主体区域进行合并。
[0034]例如，假定当前获得两类目标候选主体区域集合，针对每个目标候选主体区域集合，可根据目标候选主体区域之间的大小关系及位置关系对目标候选主体区域进行合并，具体地，在对于同一类别的目标候选主体区域进行合并的过程中，若两个目标候选主体区域交叠，可按照两者的外接矩形进行合并，另外，在合并的过程中，也可以使用主体框聚类算法、基于CRF (Condit1nal Random Fields，条件随机场)模型的主体框分类划分算法等机器学习算法来对目标候选主体区域进行合并，以获得两种类别的主体在图像中对应的主体区域。
[0035]该实施例的图像主体区域检测方式可以准确获得图像中对应主体的主体区域，并且可以获得主体区域在图像中的位置关系，方便了后续基于所获得的主体区域对图片进行分类、识别、裁剪、搜索等，另外，还可以根据图像的主体区域对图像进行裁剪，并将裁剪后的图片应用在搜索结果页中，以在搜索结果页中图文并茂的展示搜索结果。
[0036]本发明实施的图像主体区域的识别方法，首先从待识别图像中提取候选主体区域，然后对所提取到的候选主体区域中的非主体区域进行排除，以获得目标候选主体区域，并对目标候选主体区域进行调整和分类，以获得至少一个目标候选主体区域集合，最后对每个目标候选主体区域集合中的目标候选主体区域进行合并，以识别出图像的主体区域，由此，可以准确地获得图像的主体区域，且可以从包含多个主体的图像中识别出多个主体对应的主体区域。
[0037]图2是根据本发明另一个实施例的图像主体区域的识别方法的流程图，该实施例以图3所示的图片为例详细描述图像主体区域的识别过程，如图2所示，该图像主体区域的识别方法包括:
[0038]S201，从图像中提取候选主体区域。
[0039]具体地，可根据通用的主体检测模型从图3中提取不同大小尺寸、长宽比的候选主体区域，对图3提取候选主体区域后的结果如图4所示，图4中用矩形框即表示候选主体区域，图4的每一个矩形框表示一个候选主体区域。
[0040]其中，通用的主体检测模型是一种提取图像的候选主体区域的模型，该模型提取图像的候选主体区域的效率高，一般情况下，提取一种图像的候选主体区域所需的时间为10ms ο
[0041]S202，对所提取到的候选主体区域中的非主体区域进行排除，以获得目标候选主体区域。
[0042]通过图4可以看出候选主体区域中包含大量的候选主体区域，为了可以准确获得图像的主体区域，可通过级联的不同级别的分类器对所提取到的大量的候选主体区域集合进行识别，并逐步排除候选主体区域中的非主体区域，以获得目标候选主体区域。其中，通过所有级别的分类器的候选主体区域成为图像的主体区域的可能性比较大，通过所有级别的分类器的候选主体区域可称为目标候选主体区域。
[0043]具体而言，在处理图4的过程中，通过图4可以看出，该图中包含两个主体，因此，可通过多级二分类的分类器对两个主体对应的候选主体区域中的非主体区域进行排除，图4的候