基于高斯分布的旋转目标检测方法和装置

1.本技术涉及计算机技术领域，特别是涉及一种基于高斯分布的旋转目标检测方法、装置和设备。


背景技术：

2.作为计算机视觉领域中最基本和最具挑战性的问题之一，目标检测在近年来受到了极大关注，其任务涉及定位(预定义类别的目标在给定遥感影像中的位置在哪里？)以及识别(这些目标属于哪些预定义类别？)，需要通过回归精确定位和预测正确的类别标签，将预定义类别的目标与给定影像区分开来。目标检测的发展历程主要可以分为两个阶段：传统目标检测阶段和基于深度学习的目标检测阶段。
3.传统目标检测算法主要包含三个部分：特征提取、分类器训练和分类器判别。目标检测之前，首先需要利用标注的训练样本提取特征并进行分类器的训练。然后针对输入图像进行目标检测时，通常采用滑动窗口的方式，在每个滑动窗口提取相应的特征输入给训练好的分类器，判别该滑动位置是否存在目标，遍历整幅图像之后最终得到图像上目标所在的位置。因此，目标判别使用的特征描述和分类器是目标检测算法两个重要内容。常用的特征描述主要有haar小波特征(haarlike features)、梯度方向直方图(histograms of oriented gradients，hog)、局部二值模式(local binary pattern，lbp)等，分类器主要有支持向量机(support vector machines，svm)、boosting和随机森林(random forest，rf)等。
4.随着传统目标检测的表现性能趋于饱和以及深度学习所展现的对影像的高级语义表示能力，大量基于深度学习的目标检测方法被用于自然图像的目标检测(即通用目标检测，使用水平框(x,y,w,h)表示目标的位置和大小，其中x,y表示目标的中心，w,h分别表示目标的宽高)，如faster rcnn、yolo系列等，其所展现的性能远超传统目标检测方法。旋转目标检测在通用目标检测的基础上添加了一个方向参数θ，使用旋转框(x,y,w,h,θ)表示目标的位置和大小使其能更加精准的定位目标，并且可以提高方向信息，因此在遥感目标检测、场景文本检测、人脸检测等领域得到广泛应用。
5.然而，由于角度参数的引入，旋转目标检测的定位依旧存在着如下问题：角度周期性、边界交换、模型损失与评价测度不一致等，这些问题会导致模型训练不稳定，限制了优化的效果，从而降低目标定位的精度。


技术实现要素：

6.基于此，有必要针对上述技术问题，提供一种基于高斯分布的旋转目标检测方法、装置和设备，能够解决由旋转角引起的如角度周期性等一系列影响定位精度的问题。
7.一种基于高斯分布的旋转目标检测方法，包括：
8.获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集；
9.根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；
10.采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；
11.根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型；
12.根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。
13.在一个实施例中，采用二维高斯分布代替所述旋转框对目标进行表示包括：
14.采用旋转框(x,y,w,h,θ)标注目标，其中，(x,y)表示旋转框中心点在原图像中的坐标，w,h分别表示旋转框的长边和短边，θ表示旋转框长边与原图水平向右的方向的夹角；
15.二维高斯分布包含5个不同的参数(μ
x
,μy,σ
x
,σy,σ
xy
)，其中：
16.μ＝(μ
x
,μy)
[0017][0018]
由旋转框(x,y,w,h,θ)转换为二维高斯分布的过程如下：
[0019]
(μ
x
,μy)＝(x,y)
[0020][0021]
即，σ
x
,σy,σ
xy
可以表示为：
[0022][0023][0024][0025]
在一个实施例中，设计基于二维高斯分布的损失函数包括：所述损失函数采用多任务联合损失函数；
[0026]
l＝l
cls
+λl
reg
[0027]
式中，l为多任务联合损失函数，l
cls
为分类损失，l
reg
为基于高斯分布的回归损失，λ为可调节的超参数；
[0028][0029]cn
＝[c
n(0)
,c
n(1)
,c
n(2)
,
…
,c
n(c)
]
[0030]cn(0)
∈[0,1]
[0031]cn(i)
∈[0,1]
[0032][0033]
式中，n
p
为预测的结果的数量，n
pos
为正样本的数量，γ为可调的超参数；
[0034][0035][0036][0037][0038][0039][0040][0041]
式中，objn表示一个二进制值，l1(a,b)表示向量a和b的l1范数，(μ
xp
,μ
yp
,σ
xp
,σ
yp
,σ
xyp
)表示网络预测的目标高斯分布表示，(μ
xt
,μ
yt
,σ
xt
,σ
yt
,σ
xyt
)表示目标高斯分布表示真值，(xa,ya,wa,ha)表示当前锚框的中心点和宽高。
[0042]
在一个实施例中，将所述优选目标类别对应的二维高斯分布表示转化为旋转框包括：
[0043]
(x,y)＝(μ
x
,μy)
[0044][0045][0046][0047]
其中，atan2(x,y)根据x,y的符号返回向量(x,y)的辐角。
[0048]
在一个实施例中，根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型包括：
[0049]
令迭代次数为0，初始化所述目标预检测模型；
[0050]
迭代次数加1，将所述训练数据集中的图像输入所述目标预检测模型，计算所述损失函数；判断迭代次数小于预设的阈值时，根据所述损失函数更新所述目标预检测模型的参数，得到当前目标预检测模型；
[0051]
迭代次数加1，重新将所述训练数据集中的图像输入当前目标预检测模型，重新计
算损失函数，重新判断迭代次数，直至迭代次数达到预设的阈值时，停止训练，输出当前目标预检测模型为旋转目标检测模型。
[0052]
在一个实施例中，根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型包括：
[0053]
采用深度残差网络作为特征提取网络；
[0054]
采用特征金字塔网络通过自上而下的连接和横向连接实现不同层级间的特征融合，得到多尺度特征图；
[0055]
通过分类子网络和回归子网络得到目标类别和目标位置，其中，所述分类子网络输出分类特征图，所述回归子网络输出回归特征图；
[0056]
根据所述特征提取网络、所述多尺度特征图、所述分类特征图以及所述回归特征图，构建目标预检测模型。
[0057]
在一个实施例中，获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集包括：
[0058]
获取图像数据，所述图像数据包含若干图像，所述图像包含一个以上目标，所述目标具有预定义类别；
[0059]
对所有图像进行数据增强处理，得到若干处理图像；
[0060]
采用旋转框标注目标，根据所述旋转框以及对应的预定义类别，生成图像标注文件；
[0061]
根据所述图像数据、所述处理图像以及所述图像标注文件，按照预设的比例构建训练数据集以及测试数据集。
[0062]
在一个实施例中，根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果包括：
[0063]
将所述测试数据集中的图像输入所述旋转目标检测模型，经过深度残差网络和特征金字塔网络得到多尺度特征图；对于所述多尺度特征图，分别输入分类子网络和回归子网络得到分类图和回归图，其中每个像素位置对应一个锚框的目标类别和目标位置；所述目标类别采用置信度向量表示，所述目标位置采用二维高斯分布表示；筛除置信度低于设定值的目标类别，得到优选目标类别；将所述优选目标类别对应的二维高斯分布表示转化为旋转框，得到最终目标检测结果。
[0064]
一种基于高斯分布的旋转目标检测装置，包括：
[0065]
获取模块，用于获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集；
[0066]
构建模块，用于根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；
[0067]
设计模块，用于采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；
[0068]
训练模块，用于根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型；
[0069]
输出模块，用于根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。
[0070]
一种计算机设备，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以下步骤：
[0071]
获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集；
[0072]
根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；
[0073]
采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；
[0074]
根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型；
[0075]
根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。
[0076]
上述一种基于高斯分布的旋转目标检测方法，针对角度参数引起的旋转目标定位回归的一系列问题，使用高斯分布代替旋转框(x,y,w,h,θ)来表示目标的位置和大小，在不增加计算量的前提下提高模型的检测精度；并基于此设计了基于高斯分布的损失函数用于训练优化来回归高斯分布的参数，实现参数间的耦合；再将高斯分布的均值μ
x
,μy和协方差σ
x
,σy,σ
xy
进行转化得到目标对应的中心(x,y)、宽w、高h、角度θ，进一步提高目标检测的定位精度。利用该方法可以解决由旋转角引起的如角度周期性等一系列影响定位精度的问题，提高目标检测的定位精度；此外，设计的基于高斯分布的损失函数实现了参数间的耦合并可以计算高斯分布的归一化目标值，有利于模型的收敛；该方法可以广泛嵌入旋转目标检测模型中，应用范围广，实用性强。
附图说明
[0077]
图1为一个实施例中基于高斯分布的旋转目标检测方法的应用场景图；
[0078]
图2为一个实施例中基于高斯分布的旋转目标检测方法的流程示意图；
[0079]
图3为另一个实施例中基于高斯分布的旋转目标检测方法的流程示意图；
[0080]
图4为一个实施例中基于高斯分布的旋转目标检测网络结构图
[0081]
图5为一个实施例中基于高斯分布的旋转目标检测装置的结构框图；
[0082]
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
[0083]
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。
[0084]
本技术提供的的方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信，终端102可以包括但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以是各类门户网站、工作系统后台对应的服务器等。
[0085]
如图2或图3所示，在一个实施例中，提供了一种基于高斯分布的旋转目标检测方法，以该方法应用于图1中的终端为例进行说明，包括：
[0086]
步骤202，获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集。
[0087]
具体的：
[0088]
获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集包括：
[0089]
获取图像数据，所述图像数据包含若干图像，每个图像包含一个以上目标，所述目标具有预定义类别；
[0090]
对所有图像进行数据增强处理，得到若干处理图像；
[0091]
采用旋转框标注目标，根据目标的旋转框以及对应的预定义类别，生成图像标注文件；
[0092]
根据所述图像数据、所述处理图像以及所述图像标注文件，按照预设的比例构建训练数据集以及测试数据集。
[0093]
本步骤中，旋转目标检测在遥感领域应用很广，而遥感图像的尺寸通常很大，约数万像素
×
数万像素，无法直接输入到检测模型中进行训练或测试。因此需要对大尺寸遥感图像进行预处理操作：将任意尺寸的遥感图像分割成尺寸固定的子图，为了防止某些目标在分割的过程中被分成两半，影响训练效果，以25％重叠率进行子图分割。保存所有包含预定义目标类别(假设共c种类别)的子图，即为图像数据中的图像。
[0094]
对所有图像进行数据增强处理是指：使用数据增强处理技术对所有图像进行随机翻转、随机旋转、归一化，裁剪、平移等一系列预处理操作，增强后生成的数据不仅可以增加数据集的数据量，而且与原图相比更加复杂，更具多样性，从而可以防止模型在训练过程中过拟合，提升训练后模型的鲁棒性。
[0095]
采用旋转框(x,y,w,h,θ)标注目标，以精确表示其在图像中的位置信息，即目标的最小外包矩形，其中，(x,y)表示旋转框中心点在原图像中的坐标，w,h分别表示旋转框的长边和短边，θ表示旋转框长边与原图水平向右的方向的夹角。
[0096]
记θ∈[-π/2,π/2)，将每幅图像中每个包含旋转框和类别的目标信息保存下来生成图像标注文件。
[0097]
步骤204，根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型。
[0098]
具体的：
[0099]
采用深度残差网络(resnet)作为特征提取网络；
[0100]
采用特征金字塔网络(fpn)通过自上而下的连接和横向连接实现不同层级间的特征融合，得到多尺度特征图；
[0101]
通过分类子网络和回归子网络得到目标类别和目标位置，其中，所述分类子网络输出分类特征图，所述回归子网络输出回归特征图；
[0102]
根据所述特征提取网络、所述多尺度特征图、所述分类特征图以及所述回归特征图，构建目标预检测模型。
[0103]
本步骤中，如图4所示，分类子网络输出的分类特征图表示为：
[0104][0105]
分类特征图包含(c+1)k个通道，每个通道分别表示k个锚框属于c个类别加上背景的置信度，其中w和h表示原图的长和宽、s表示特征图相对于原图的缩小比例，k表示特征图每个像素位置锚框的数量。
[0106]
回归子网络输出的回归特征图表示为：
[0107][0108]
回归特征图为每个锚框回归目标的高斯分布表示(μ
x
,μy,σ
x
,σy,σ
xy
)。
[0109]
步骤206，采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数。
[0110]
具体的：
[0111]
采用二维高斯分布代替所述旋转框对目标进行表示包括：
[0112]
采用旋转框(x,y,w,h,θ)标注目标，其中，(x,y)表示旋转框中心点在原图像中的坐标，w,h分别表示旋转框的长边和短边，θ表示旋转框长边与原图水平向右的方向的夹角；
[0113]
二维高斯分布包含5个不同的参数(μ
x
,μy,σ
x
,σy,σ
xy
)，其中：
[0114]
μ＝(μ
x
,μy)
[0115][0116]
由旋转框(x,y,w,h,θ)转换为二维高斯分布的过程如下：
[0117]
(μ
x
,μy)＝(x,y)
[0118][0119]
即，σ
x
,σy,σ
xy
可以表示为：
[0120][0121][0122][0123]
采用(μ
x
,μy,σ
x
,σy,σ
xy
)代替旋转框(x,y,w,h,θ)来表示旋转目标，不仅可以有效避免角度周期性带来的影响，还可以使参数耦合，提升优化过程中参数的相关性，提高定位精度。
[0124]
设计基于二维高斯分布的损失函数包括：所述损失函数采用多任务联合损失函数；
[0125]
l＝l
cls
+λl
reg
[0126]
式中，l为多任务联合损失函数，l
cls
为分类损失，l
reg
为基于高斯分布的回归损失，λ为可调节的超参数(用于平衡损失函数，默认值为λ＝1)。
[0127]
l
cls
采用focal loss作为损失函数：令假设共有n
p
个预测的结果，其中有n
pos
个正样本，令cn＝[c
n(0)
,c
n(1)
,c
n(2)
,
…
,c
n(c)
]表示第n个样本的类别预测值，其中c
n(0)
∈[0,1]表示该样本属于背景的概率，c
n(i)
∈[0,1]表示该样本属于第i个类别的概率；采用独热码：表示与第n个样本分配的真值，当样本真值属于第i个类别时，的第i+1项为1，其余为0；由此计算分类损失：
[0128][0129]cn
＝[c
n(0)
,c
n(1)
,c
n(2)
,
…
,c
n(c)
]
[0130]cn(0)
∈[0,1]
[0131]cn(i)
∈[0,1]
[0132][0133]
式中，n
p
为预测的结果的数量，n
pos
为正样本的数量，γ为可调的超参数(默认值为γ＝2)。
[0134]
l
reg
表示基于高斯分布的回归损失，由网络输出的高斯分布的归一化目标值和高斯分布真值的归一化目标值构成。
[0135][0136][0137][0138][0139][0140][0141][0142]
式中，objn表示一个二进制值(对于正确的预测objn＝1，否则objn＝0，即只对正确预测的样本计算回归损失)，l1(a,b)表示向量a和b的l1范数，(μ
xp
,μ
yp
,σ
xp
,σ
yp
,σ
xyp
)表示网络预测的目标高斯分布表示，(μ
xt
,μ
yt
,σ
xt
,σ
yt
,σ
xyt
)表示目标高斯分布表示真值，(xa,ya,wa,
ha)表示当前锚框的中心点和宽高。
[0143]
步骤208，根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型。
[0144]
具体的：
[0145]
令迭代次数为0，初始化所述目标预检测模型；
[0146]
迭代次数加1，将所述训练数据集中的图像输入所述目标预检测模型，计算所述损失函数；判断迭代次数小于预设的阈值时，根据所述损失函数更新所述目标预检测模型的参数，得到当前目标预检测模型；
[0147]
迭代次数加1，重新将所述训练数据集中的图像输入当前目标预检测模型，重新计算损失函数，重新判断迭代次数，直至迭代次数达到预设的阈值时，停止训练，输出当前目标预检测模型为旋转目标检测模型。
[0148]
步骤210，根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。
[0149]
具体的：
[0150]
将所述测试数据集中的图像输入所述旋转目标检测模型，经过深度残差网络和特征金字塔网络得到多尺度特征图；对于所述多尺度特征图，分别输入分类子网络和回归子网络得到分类图(与分类子网络对应)和回归图(与回归子网络对应)，其中每个像素位置对应一个锚框的目标类别和目标位置，也就是说，多尺度特征图的每个像素位置都对应一个锚框，每个锚框都同时对应目标类别(由分类子网络得到)和目标位置(由回归子网络得到)；所述目标类别采用k个锚框的(c+1)维类别置信度向量表示，所述目标位置采用二维高斯分布表示；筛除置信度低于设定值(如：0.05)的目标类别，得到优选目标类别；将所述优选目标类别对应的二维高斯分布表示转化为旋转框，得到最终目标检测结果。
[0151]
本步骤中，筛除置信度低于设定值的锚框，再对剩余锚框进行非极大值抑制操作，将最后保留下来的锚框回归的高斯分布表示(μ
x
,μy,σ
x
,σy,σ
xy
)再转化为旋转框(x,y,w,h,θ)得到最终的检测结果。
[0152]
其中，将所述优选目标类别对应的二维高斯分布表示转化为旋转框包括：
[0153]
(x,y)＝(μ
x
,μy)
[0154][0155][0156][0157]
其中，atan2(x,y)根据x,y的符号返回向量(x,y)的辐角。
[0158]
在现有技术中，直接回归目标的旋转框(x,y,w,h,θ)，在计算损失函数时，先计算预测框(x
p
,y
p
,w
p
,h
p
,θ
p
)和真值(x
t
,y
t
,w
t
,h
t
,θ
t
)的归一化目标值，再计算归一化目标值的差值，并由此得到回归的损失函数。上述方法存在以下问题：假设359
°
和1
°
时，在计算角度损失时会导致损失函数偏大，而实际上两个角只差了2
°
，即角度周期性对损失函数产生影响，造成错误回归；在计算损失函数时各参数是相互独立的，互不影响，互不耦合。这两个问题都会影响目标定位的精度。
[0159]
本技术中，σ
x
,σy,σ
xy
都是由w、h、θ组合而成，如下：
[0160][0161][0162][0163]
因此，在计算目标值和损失函数时，可以充分考虑到w、h、θ间的相关性，互相影响，互相均衡，从而实现参数间的耦合，提高定位精度；此外，θ在本发明中已经转换成cosθ和sinθ，两者都为周期性函数，不存在现有技术中由于角度周期性对损失函数产生的影响，回归准确，因此可以提升角度的回归精度，从而提升定位精度。
[0164]
角度周期性问题和参数耦合问题被解决后，模型的后向传播会向更有利的方向传播，从而提高收敛的速度。
[0165]
上述一种基于高斯分布的旋转目标检测方法，针对角度参数引起的旋转目标定位回归的一系列问题，使用高斯分布代替旋转框(x,y,w,h,θ)来表示目标的位置和大小，在不增加计算量的前提下提高模型的检测精度；并基于此设计了基于高斯分布的损失函数用于训练优化来回归高斯分布的参数，实现参数间的耦合；再将高斯分布的均值μ
x
,μy和协方差σ
x
,σy,σ
xy
进行转化得到目标对应的中心(x,y)、宽w、高h、角度θ，进一步提高目标检测的定位精度。利用该方法可以解决由旋转角引起的如角度周期性等一系列影响定位精度的问题，提高目标检测的定位精度；此外，设计的基于高斯分布的损失函数实现了参数间的耦合并可以计算高斯分布的归一化目标值，有利于模型的收敛；该方法只需要将原来的传统计算损失函数的方法替换成本发明的方法即可使用，从而可以广泛嵌入旋转目标检测模型中，应用范围广，实用性强。
[0166]
应该理解的是，虽然图2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，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0167]
在一个实施例中，如图5所示，提供了一种基于高斯分布的旋转目标检测装置，包括：获取模块502、构建模块504、设计模块506、训练模块508和输出模块510，其中：
[0168]
获取模块502，用于获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集；
[0169]
构建模块504，用于根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；
[0170]
设计模块506，用于采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；
[0171]
训练模块508，用于根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型；
[0172]
输出模块510，用于根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。
[0173]
关于一种基于高斯分布的旋转目标检测装置的具体限定可以参见上文中对于一种基于高斯分布的旋转目标检测方法的限定，在此不再赘述。上述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。
[0174]
在一个实施例中，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6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、网络接口、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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于高斯分布的旋转目标检测方法。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。
[0175]
本领域技术人员可以理解，图6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。
[0176]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
[0177]
以上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。
[0178]
以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。