阴影区域处理方法及装置、计算机可读介质和电子设备与流程

本公开涉及图像处理技术领域，具体涉及一种阴影区域处理方法、阴影区域处理装置、计算机可读介质和电子设备。

背景技术：

近年来，计算机视觉系统已经在工业视觉检测、视频监控、医疗影像检测和智能驾驶等生产生活场景中得到了广泛运用。阴影作为自然界中普遍存在的一种物理现象，它给计算机视觉任务带来诸多不利影响，增加了问题处理的难度，降低了算法的鲁棒性。

为了避免阴影对计算机视觉任务造成影响，往往需要提前对视频、图像等数据进行阴影去除处理。然而，阴影去除是一项和光照强度十分相关的技术，拍照时不同的光照强度或拍摄设备的曝光度不同，均会导致阴影部分的亮度及与非阴影区域的相对亮度不同。在这种情况下，基于神经网络对阴影区域进行检测时，很可能会因为亮度或相对亮度的改变无法正确区分阴影区域，从而得到不同的阴影区域的检测结果。

技术实现要素：

本公开的目的在于提供一种阴影区域处理方法、阴影区域处理装置、计算机可读介质和电子设备，进而至少在一定程度上避免亮度因素对阴影区域识别的影响，提高阴影区域检测的准确性。

根据本公开的第一方面，提供一种阴影区域处理方法，包括：基于阴影检测模型对待检测图像进行阴影区域检测，得到待检测图像对应的阴影区域；其中，阴影检测模型通过对构建的阴影检测神经网络进行训练得到；阴影检测神经网络基于亮度限制损失函数进行网络参数调整；亮度限制损失函数基于样本图像的第一检测结果和对样本图像进行亮度调整得到调整图像的第二检测结果计算得到的交叉熵和相对熵确定。

根据本公开的第二方面，提供一种阴影区域处理装置，包括：区域检测模块，用于基于阴影检测模型对待检测图像进行阴影区域检测，得到待检测图像对应的阴影区域；其中，阴影检测模型通过对构建的阴影检测神经网络进行训练得到；阴影检测神经网络基于亮度限制损失函数进行网络参数调整；亮度限制损失函数基于样本图像的第一检测结果和对样本图像进行亮度调整得到调整图像的第二检测结果计算得到的交叉熵和相对熵确定。

根据本公开的第三方面，提供一种计算机可读介质，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的方法。

根据本公开的第四方面，提供一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。

本公开的一种实施例所提供的阴影区域处理方法，可以基于训练好的阴影检测模型对待检测模型进行阴影区域检测，得到待检测图像对应的阴影区域。其中，阴影检测模型通过对构建的阴影检测神经网络进行训练得到；阴影检测神经网络基于亮度限制损失函数进行网络参数调整；亮度限制损失函数基于样本图像的第一检测结果和对样本图像进行亮度调整得到调整图像的第二检测结果计算得到的交叉熵和相对熵确定。通过对样本图像进行亮度调整的调整图像和样本图像共同对阴影检测神经网络进行训练，同时基于第一检测结果和第二检测结果计算得到的交叉熵和相对熵确定的损失函数进行网络参数调整，使得阴影检测模型能够克服亮度因素的影响，提高了阴影区域检测的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。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。在附图中：

图1示出了可以应用本公开实施例的一种示例性系统架构的示意图；

图2示出了可以应用本公开实施例的一种电子设备的示意图；

图3示意性示出本公开示例性实施例中一种阴影区域处理方法的流程图；

图4示意性示出本公开示例性实施例中一种阴影检测模型训练方法的流程图；

图5示出本公开示例性实施例中的一张样本图像；

图6示出本公开示例性实施例中的一张调整图像；

图7示出本公开示例性实施例中的另一张调整图像；

图8示意性示出本公开示例性实施例中一种阴影检测神经网络中第一子网络和第二子网络的结构示意图；

图9示意性示出本公开示例性实施例中一种阴影检测神经网络的训练过程示意图；

图10示意性示出本公开示例性实施例中一种阴影区域处理装置的组成示意图；

图11示意性示出本公开示例性实施例中另一种阴影区域处理装置的组成示意图；

图12示意性示出本公开示例性实施例中另一种阴影区域处理装置的组成示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本公开实施例的一种阴影区域处理方法及装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是各种具有图像处理功能的电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

本公开实施例所提供的阴影区域处理方法一般由终端设备101、102、103中执行，相应地，阴影区域处理装置一般设置于终端设备101、102、103中。但本领域技术人员容易理解的是，本公开实施例所提供的阴影区域处理方法也可以由服务器105执行，相应的，阴影区域处理装置也可以设置于服务器105中，本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，可以是服务器105通过第一训练集和第二训练集对构建的阴影检测神经网络进行训练后，将得到阴影检测模型发送至终端设备101、102、103，进而通过终端设备101、102、103对待检测图像进行阴影区域检测。

本公开的示例性实施方式提供一种用于实现阴影区域处理方法的电子设备，其可以是图1中的终端设备101、102、103或服务器105。该电子设备至少包括处理器和存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行阴影区域处理方法。

下面以图2中的移动终端200为例，对电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图2中的构造也能够应用于固定类型的设备。在另一些实施方式中，移动终端200可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或软件和硬件的组合实现。各部件间的接口连接关系只是示意性示出，并不构成对移动终端200的结构限定。在另一些实施方式中，移动终端200也可以采用与图2不同的接口连接方式，或多种接口连接方式的组合。

如图2所示，移动终端200具体可以包括：处理器210、内部存储器221、外部存储器接口222、通用串行总线(universalserialbus，usb)接口230、充电管理模块240、电源管理模块241、电池242、天线1、天线2、移动通信模块250、无线通信模块260、音频模块270、扬声器271、受话器272、麦克风273、耳机接口274、传感器模块280、显示屏290、摄像模组291、指示器292、马达293、按键294以及用户标识模块(subscriberidentificationmodule，sim)卡接口295等。其中传感器模块280可以包括深度传感器2801、压力传感器2802、陀螺仪传感器2803等。

处理器210可以包括一个或多个处理单元，例如：处理器210可以包括应用处理器(applicationprocessor，ap)、调制解调处理器、图形处理器(graphicsprocessingunit，gpu)、图像信号处理器(imagesignalprocessor，isp)、控制器、视频编解码器、数字信号处理器(digitalsignalprocessor，dsp)、基带处理器和/或神经网络处理器(neural-networkprocessingunit，npu)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

npu为神经网络(neural-network，nn)计算处理器，通过借鉴生物神经网络结构，例如借鉴人脑神经元之间传递模式，对输入信息快速处理，还可以不断的自学习。通过npu可以实现移动终端200的智能认知等应用，例如：图像识别，人脸识别，语音识别，文本理解等。在一些实施例中，上述npu可以用于构建阴影检测神经网络，以及对构建的阴影检测神经网络进行训练。

处理器210中设置有存储器。存储器可以存储用于实现六个模块化功能的指令：检测指令、连接指令、信息管理指令、分析指令、数据传输指令和通知指令，并由处理器210来控制执行。

移动终端200通过gpu、显示屏290及应用处理器等实现显示功能。gpu为图像处理的微处理器，连接显示屏290和应用处理器。gpu用于执行数学和几何计算，用于图形渲染。处理器210可包括一个或多个gpu，其执行程序指令以生成或改变显示信息。在一些实施例中，可以通过gpu对第一训练集中的样本图像进行亮度调整，得到第二训练集。

深度传感器2801用于获取景物的深度信息。压力传感器2802用于感受压力信号，可以将压力信号转换成电信号。陀螺仪传感器2803可以用于确定移动终端200的运动姿态。

此外，还可以根据实际需要在传感器模块280中设置其他功能的传感器，例如气压传感器、磁传感器、加速度传感器、距离传感器、接近光传感器、指纹传感器、温度传感器、触摸传感器、环境光传感器、骨传导传感器等。

移动终端200中还可包括其它提供辅助功能的设备。例如，按键294包括开机键，音量键等，用户可以通过按键输入，产生与移动终端200的用户设置以及功能控制有关的键信号输入。再如，指示器292、马达293、sim卡接口295等。

阴影去除是一项和光照强度十分相关的技术，拍照时不同的光照强度或拍摄设备的曝光度不同，会导致阴影部分的亮度以及阴影区域与非阴影区域的相对亮度不同。在这种情况下，基于神经网络对阴影区域进行检测时，很可能会因为亮度或相对亮度的改变无法正确区分阴影区域，从而得到不同的阴影区域的检测结果。

在相关阴影检测的技术中，在固定环境和条件下的阴影检测技术已经取得了较大的进步。然而，在相关技术中对待处理图像的亮度关注度较低，因此针对同一图像，在一些非常规亮度的情况下很有可能出现阴影区域检测错误的问题。

基于上述一个或多个问题，本示例实施方式提供了一种阴影区域处理方法。该阴影区域处理方法可以应用于上述服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图3所示，该阴影区域处理方法可以包括以下步骤s310：基于阴影检测模型对待检测图像进行阴影区域检测，得到待检测图像对应的阴影区域。

其中，阴影检测模型通过对构建的阴影检测神经网络进行训练得到；阴影检测神经网络基于亮度限制损失函数进行网络参数调整；亮度限制损失函数基于样本图像的第一检测结果和对样本图像进行亮度调整得到调整图像的第二检测结果计算得到的交叉熵和相对熵确定

在一示例性实施例中，上述阴影检测神经网络可以包括网络结构相同的第一子网络和第二子网络，且第一子网络和第二子网络共享网络参数。

在一示例性实施例中，上述第一子网络和第二子网络均包括第一阶段网络和第二阶段网络，其中第一阶段网络包括encoder结构，第二阶段网络包括decoder结构。

需要说明的是，在一些实施例中，第一阶段网络包括的encoder结构可以包括resnext101结构，decoder结构可以包括u-net网络中的扩展路径结构。

此外，在decoder结构即神经网络的上采样线路中，可以使用不同层次的卷积层，分别使用注意力机制生成对应的权重图，然后将原网络确定的阴影分割结果和权重图通过注意力融合的方式融合在一起，以得到更加精细的阴影区域检测结果。例如，可以将se-block注意力模块添加在阴影检测神经网络的最后几层。

同时，在decoder结构即神经网络的上采样线路中，在对不同特征层进行上采样时，考虑到卷积层只能初步结合感受野中的图像信息，因此可以在在上层特征图像后添加非局部神经网络(non-localneuralnetworks)，进而可以为每个像素提供精准的全局信息，自动构建像素关系，解决在困难案例图像检测时阴影区域内部大范围识别错误的问题。需要说明的是，非局部操作只会引入全局信息，而不会改变特征层的大小和深度。

在一示例性实施例中，参照图4所示，阴影检测模型的训练过程可以包括以下步骤s410和s420：

在步骤s410中，获取包含样本图像的第一训练集，并对第一训练集中的样本图像进行亮度调整得到包含调整图像的第二训练集。

在一示例性实施例中，在进行训练之前，可以对训练所需的样本进行处理。具体的，为了避免亮度对神经网络阴影检测的影响，可以对第一训练集中包含的样本图像进行亮度调整得到调整图像，并将所有调整图像作为第二训练集。例如，针对如图5所示的样本图像，可以对其亮度进行增强或者减弱。对如图5所示的样本图像进行亮度增强1.5倍可以得到如图6所示的调整图像；对如图5所示的样本图像进行亮度减弱0.5倍可以得到如图7所示的调整图像。

在步骤s420中，构建阴影检测神经网络，基于第一训练集包括的各样本图像和第二训练集包括的各调整图像对阴影检测神经网络进行训练，得到阴影检测模型。

在一示例性实施例中，阴影检测神经网络包括网络结构相同的第一子网络和第二子网络，且第一子网络和第二子网络共享网络参数。在这种情况下，基于第一训练集和第二训练集对阴影检测神经网络进行训练时，可以将第一训练集中的样本图像输入第一子网络进行处理得到第一检测结果，同时将第二训练集中，样本图像对应的调整图像输入第二子网络进行处理得到第二检测结果。然后分别针对第一检测结果和第二检测结果计算交叉熵，得到第一交叉熵和第二交叉熵，同时基于第一检测结果和第二检测结果计算两者的相对熵。在得到第一交叉熵、第二交叉熵和相对熵后，可以基于第一交叉熵、第二交叉熵和相对熵确定亮度限制是函数，并根据确定的亮度限制损失函数对阴影检测神经网络的网络参数进行调整，进而得到阴影检测模型。

其中，上述交叉熵可以基于以下公式(1)进行计算：

c＝∑i-[wyilogai+(1-w)(1-yi)log(1-ai)]公式(1)

其中，c表示交叉熵，yi表示像素类别的真实值，yi∈[0，1]；ai为像素类别的预测值，有ai∈[0，1]；w为预设的平衡因子。需要说明的是，在一些实施例中，上述预设的平衡因子w可以取0.15。

上述相对熵可以基于以下公式(2)进行计算：

其中，lc表示第一检测结果和第二检测的相对熵；qi和q'i分别表示对第一检测结果和第二检测结果进行softmax得到的。具体的，可以基于以下公式(3)和公式(4)得到：

其中，qi和q'i分别表示对第一检测结果和第二检测结果进行softmax得到结果；zi和z'i分别表示第一检测结果和第二检测结果对应的像素类别的预测值；k表示第一检测结果和第二检测结果对应的像素数量。

在一示例性实施例中，在根据上述公式(1)至公式(4)计算得到交叉熵和相对熵后，可以基于以下公式(5)和公式(6)确定亮度限制损失函数：

lm＝c+c′公式(5)

l＝lm+α×lc公式(6)

其中，lm表示第一检测结果和第二检测结果之和，c表示第一检测结果对应的交叉熵，c'表示第二检测结果对应的交叉熵；lc表示第一接测结果和第二检测结果对应的相对熵；α表示预设的权重。在一示例性实施例中，上述权重α可以取2。

在得到阴影检测模型后，可以直接基于阴影检测模型对待检测图像进行阴影区域检测，由于在训练过程中，同时考虑了第一检测结果的交叉熵和第二检测结果的交叉熵，以及第一检测结果和第二检测结果之间的相对熵，因此可以在一定程度上克服因为亮度或相对亮度的改变无法正确区分阴影区域的问题。

在一示例性实施例中，在检测出阴影区域后，针对检测到的阴影区域边界，可以基于条件随机场(conditionalrandomfield，crf)对阴影区域的边界进行后处理，得到处理后的阴影区域。crf是一种分割后处理方法，可以通过计算点与点之间对于某种类型的概率值进行后处理，由于阴影区域检测相当于一个二分类分割问题(阴影和非阴影)，因此基于crf可以对阴影区域的边界进行处理。

在一示例性实施例中，在检测出待检测图像中的阴影区域和非阴影区域后，可以基于待检测图像中阴影区域和非阴影区域的亮度计算所待检测图像对应的增强系数，然后通过增强系数对待检测图像进行阴影消除以得到消除阴影后的目标图像。例如，可以通过低照度图像增强算法对图像的阴影区域进行增强。需要说明的是，通过低照度图像增强算法，相比利用非阴影部分平均亮度做补偿的下过更加优异。

在一示例性实施例中，在计算增强系数时，可以先分别计算待检测图像中，阴影区域的第一平均亮度和非阴影区域的第二平均亮度，然后根据第一平均亮度和第二平均亮度确定待检测图像对应的增强系数。

例如，在一种实施例中，可以通过以下公式(7)计算待检测图像对应的增强系数：

其中，mu表示增强系数；ldark表示阴影区域的第一平均亮度；lbright表示非阴影区域的第二平均亮度。

在一示例性实施例中，在基于增强系数对待检测图像进行阴影消除时，可以基于增强系数对待检测图像进行增强得到增强图像，然后将增强图像中的阴影区域与待检测图像中的非阴影区域组合起来，得到阴影消除后的目标图像。

此外，在检测出阴影区域之后，除了进行阴影消除操作之外，还可以对阴影区域进程其他处理，例如对阴影部分进行加深颜色、添加阴影光效等，本公开对此不做特殊限制。

以下以图8所示的神经网络结构为阴影检测神经网络的第一子网络和第二子网络的结果为例，对本公开实施例的技术方案进行详细阐述。

参照图8所示，该神经网络结构使用resnext101作为前端特征提取模块，即第一阶段网络；借鉴u-net的结果，针对已获得的resnext101的特征层，利用u-net的扩展路径结构，逐步扩大特征层尺寸，同时减小特征层深度，最后使用1×1卷积层和双线性插值方法得到检测结果。

需要说明的是，针对其中128×128×64的上层特征图像，可以增加一个非局部神经网络，使得上层特征图像可以为每个像素提供精准的全局信息，自动构建像素关系。此外，还可以在网络上采样路线中，在网络的最后几层增加se-block注意力模块，使得得到的阴影区域检测结果更加精细。

在对图8所示的第一子网络和第二子网络进行训练时，可以以sbu阴影检测数据集为样本进行训练。sbu是目前最大的阴影检测数据集，其中包括4089张训练图像和638张测试图像。因此，在进行训练时，可以从测试集中选取200张作为样本集，并对图像进行预处理缩放到至256×256，同时可以做随机水平翻转和旋转等增强处理的过程。

参照图9所示，在训练时，对于样本集中的样本图像，首先可以对样本图像进行亮度调整，得到调整图像。调整范围可以为0.5-1.5倍。然后将样本图像和调整图像分别输入共享网络参数的第一子网络和第二子网络，得到第一检测结果和第二检测结果。

在得到第一检测结果和第二检测结果后，可以分别基于第一检测结果和真实值计算第一交叉熵，基于第二检测结果和真实值计算第二交叉熵。具体计算时，可以采用公式(1)所示的方法进行计算。

同时，由于通常情况下，进行亮度调整后的调整图像对应的第二检测结果相对样本图像对应的第一检测结果与真实值差距更大，但是由于样本图像和调整图像内容一致，且目标真实值相同，因此为了消除亮度不同造成的影响，因此还可以计算第一检测结果和第二检测结果之间的相对熵作为亮度限制损失函数的一部分。具体计算时，可以采用公式(2)至(4)所示的方法进行计算。

在得到上述第一交叉熵、第二交叉熵和相对熵之后，可以基于公式(5)和公式(6)计算第一子网络和第二子网络对应的亮度限制损失函数，然后基于该亮度限制损失函数对共享网络参数的第一子网络和第二子网络的网络参数进行调整。基于训练集对第一子网络和第二子网络的参数进行调整后，可以得到训练后的阴影检测模型。需要说明的是，由于第一子网络和第二子网络共享网络参数，因此阴影检测模型可以是第一子网络或第二子网络。

综上，本示例性实施方式中，提供了一种关注亮度因素的阴影区域检测方法。光照导致的亮度不同是阴影去除任务中一个重要的客观因素，不同的亮度会对阴影的分割检测造成不良的影响。为了应对这个问题，在神经网络中设计了亮度限制损失函数，同时对原始的样本图像和亮度变换后的调整图像进行预测，再分析他们预测结果之间的损失，与网络使用的交叉熵损失组成新的损失函数，以实现对阴影检测模型的训练。

需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

进一步的，参考图10所示，本示例的实施方式中还提供一种阴影区域处理装置1000，包括区域检测模块1010。其中：

区域检测模块1010可以用于阴影检测模型对待检测图像进行阴影区域检测，得到待检测图像对应的阴影区域。

其中，阴影检测模型通过对构建的阴影检测神经网络进行训练得到；阴影检测神经网络基于亮度限制损失函数进行网络参数调整；亮度限制损失函数基于样本图像的第一检测结果和对样本图像进行亮度调整得到调整图像的第二检测结果计算得到的交叉熵和相对熵确定

在一示例性实施例中，阴影检测神经网络包括网络结构相同的第一子网络和第二子网络，第一子网络和第二子网络共享网络参数。

在一示例性实施例中，第一子网络和第二子网络均包括第一阶段网络和第二阶段网络；第一阶段网络包括encoder结构，第二阶段网络包括decoder结构。

在一示例性实施例中，encoder结构包括resnext101结构，decoder结构包括u-net网络中的扩展路径结构。

在一示例性实施例中，参见图11所示，阴影区域处理装置1100还包括阴影消除模块1110，阴影消除模块1110可以用于基于待检测图像中阴影区域和非阴影区域的亮度计算所待检测图像对应的增强系数；基于增强系数对待检测图像进行阴影消除得到目标图像。

在一示例性实施例中，阴影消除模块1110可以用于分别计算待检测图像中，阴影区域的第一平均亮度和非阴影区域中的第二平均亮度；基于第一平均亮度和第二平均亮度确定待检测图像对应的增强系数。

在一示例性实施例中，阴影消除模块1110可以用于基于增强系数对待检测图像进行增强得到增强图像；将增强图像中的阴影区域与待检测图像中的非阴影区域组合，得到目标图像。

在一示例性实施例中，区域检测模块1010可以用于基于条件随机场对阴影区域的边界进行后处理，得到处理后的阴影区域。

在一示例性实施例中，参见图12所示，阴影区域处理装置1200还包括训练集获取模块1210和模型训练模块1220。其中：

训练集获取模块1210可以用于获取包含样本图像的第一训练集，并对第一训练集中的样本图像进行亮度调整得到包含调整图像的第二训练集。

模型训练模块1220可以用于构建阴影检测神经网络，基于第一训练集包括的各样本图像和第二训练集包括的各调整图像对阴影检测神经网络进行训练，得到阴影检测模型。

在一示例性实施例中，模型训练模块1220可以用于将第一训练集中的样本图像输入第一子网络得到第一检测结果，并将第二训练集中，样本图像对应的调整图像输入第二子网络得到第二检测结果；基于第一检测结果计算第一交叉熵，基于第二检测结果计算第二交叉熵，并基于第一检测结果和第二检测结果计算相对熵；基于第一交叉熵、第二交叉熵和相对熵确定亮度限制损失函数；基于亮度限制损失函数对阴影检测神经网络的网络参数进行调整，得到阴影检测模型。

上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤，例如可以执行图3和图4中任意一个或多个步骤。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

此外，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。